C-Support Vector

Classification
 Lógica del algoritmo

 SCM utiliza hiperplanos para realizar la clasificación.

 VM use hyperplanes to perform classification. While performing classifications
using SVM there are 2 types of SVM
 C SVM
 Nu SVM
 C and nu are regularisation parameters which help implement a penalty on
the misclassifications that are performed while separating the classes. Thus
helps in improving the accuracy of the output.
 Lógica del algoritmo

SVC utiliza hiperplanos para la clasificación de datos, donde C es el coste de

error de clasificación
Un error más bajo de C le da menor peso al error y un valor más alto de C le da
un peso mayor.
Es decir, aplicando un valor más alto a C se aumenta la precision del algoritmo.
El objetivo es encontrar el balance.
 Función Scikit-Learn

 Los parámetros más importantes son:

svm.SVC(C, kernel, gamma, degree)
 C = Parámetro explicado anteriormente
 Gamma = Parámetro para los hiperplanos no lineales. Un valor alto trata de
cuadrar de manera exacta los valores.
 Kernel = Parámetro para seleccionar el tipo de hiperplano utilizado para
separar los datos. Utilizando ‘linear’ utilizará un hiperplano lineal (una línea
en caso de datos 2D). ‘rbf’ y ‘poly’ utilizan hiperplanos no lineales.
 Degree = Parámetro utilizado cuando el kernel se ajusta a ‘poly’. Es
básicamente el grado del polinomio usado para encontrar el hiperplano que
separa los datos.
Comparación con Nu-SVC

 C varía de 0 a infinito y puede ser un poco difícil tanto de estimar como de

utilizer. Una modificiación a este fue la introducción de Nu, que opera entre 0
y 1.
 Ambos tiene un poder de clasificación similar, pero Nu-SVC es más difícil de
optimizar.
Bibliografía

 https://medium.com/all-things-ai/in-depth-parameter-tuning-for-svc-
758215394769
 https://scikit-learn.org/stable/modules/generated/sklearn.svm.SVC.html
 https://www.quora.com/What-is-the-difference-between-C-SVM-and-nu-SVM