Máquinas de vectores de soporte (SVM)

Inteligencia Artifcial

Máquina de vectores de soporte

Integrantes:

• Avila Briggette
• Gavilanes Juan
• Yepez Maria

Índice

¿Qué es SVM?

Tipo de aprendizaje

Antecedentes Importantes

Librerias y elementos

¿Cómo funciona el algoritmo?

Conclusión

Referencias

Clasificación no lineal

Máquinas de vectores de soporte (SVM)

Margen máximo

Las máquinas de vector soporte o Support Vector Machines (SVM) son otro tipo de algoritmo de machine learning supervisado aplicable a problemas de regresión y clasificación, aunque se usa más comúnmente como modelo de clasificación. Las máquinas de vector soporte suponen una generalización de un clasificador simple denominado maximal margin classifier.

Separación óptima

Uso de vectores de soporte

+ Info

¿A qué tipo de aprendizaje corresponde el algoritmo SVM?

¿A qué tipo de aprendizaje corresponde el algoritmo SVM?

Las máquinas de vectores soporte (SVM) corresponde a un conjunto de algoritmos del aprendizaje supervisado.

Conjunto de datos etiquetados para entrenar algoritmos.

1992

Antecedentes Importantes:

Kernel Trick

1990

Máquinas de vectores de soporte

1957

Perceptrón

1995

Margen máximo

Librerías y paquetes que se usaron:

Se utiliza estrechamente con Scikit-learn para trabajar con SVM. Scikit-learn proporciona una interfaz conveniente para construir, entrenar y evaluar modelos de SVM, y a menudo utiliza matrices NumPy para representar los datos de entrada.

Scikit-learn es uno de los open-source y bibliotecas de aprendizaje automático más populares en Python. Es una biblioteca de Python que proporciona acceso a versiones eficaces de muchos algoritmos comunes. También proporciona una API propia y estandarizada.

SVM trabaja enlazando datos con una dimensión espacial de tal forma que los puntos de datos sean categorizados, inclusive cuando los datos no son linealmente separables.

Paquete de Scikit learn

Librería Numpy

Librería SVM

Librerías y paquetes que se usaron:

La línea de código "from sklearn.preprocessing import StandardScaler" importa la clase "StandardScaler" de la biblioteca scikit-learn (sklearn) en Python. Esta clase se utiliza para realizar el escalado estándar de características en conjuntos de datos.

La función train_test_split permite hacer una división de un conjunto de datos en dos bloques de entrenamiento y prueba de un modelo (train and test). Esta función está íntimamente relacionada con la estratificación, proceso que se hace con respecto a una variable que normalmente es la variable target.

Función standardScaler

Función train_test_split

Función Kernel

El kernel lineal es una función que se utiliza para transformar los datos de entrada y permitir la separación lineal de las clases en el espacio de características. En el caso del kernel lineal, el clasificador SVM busca encontrar un hiperplano de separación lineal óptimo entre las clases.

+ Info

Conclusión

Las máquinas de vectores de soporte (SVM) son un poderoso algoritmo de aprendizaje automático utilizado para resolver problemas de clasificación y regresión. Las SVM buscan encontrar un hiperplano de separación óptimo en un espacio de características para clasificar o predecir datos. Las SVM ofrecen varias ventajas, como la capacidad de manejar conjuntos de datos de alta dimensionalidad, la capacidad de manejar tanto características lineales como no lineales mediante el uso de kernels y la capacidad de manejar tanto problemas de clasificación binaria como multiclase.

¡MuchasGracias!

Hiperplanos óptimos como límites de decisión

Scikit - Learn

Aplicación de algoritmos de aprendizaje máquina

Referencias

La librería Numpy

Máquinas de soporte de vectores en Python