10487531
Description
Mind Map by Juan Carlos Moreno, updated more than 1 year ago
|
Created by Juan Carlos Moreno
over 6 years ago
|
|
Máquinas de Soporte Vectorial
- ¿Qué es?
- Algoritmo de red de aprendizaje maquina tipo feedfoward.
Utiliza técnicas de mapeo de características a dimensiones
mayores con la finalidad de separar linealmente un
conjunto previamente inseparable.
- Usualmente aplicado en:
- Clasificación
- Análisis de datos estadísticos
- Reconocimiento de voz y escritura
- Clasificación de texto
- Clasificación de proteinas
- Análisis de datos estadísticos
- Regresión
- Tendencias financieras
- Diseño de fármacos
- Tendencias financieras
- Clasificación
- Dado un conjunto de entrenamiento,
construye un hiperplano como superficie de
decisión, de tal manera que el margen de
separación entre los conjuntos sea
maximizado.
- No son consideras redes
neuronales, debido a que no
modelan comportamientos
biológicos, en cambio son
clasificados como algoritmos de
aprendizaje maquina.
- Usualmente aplicado en:
- Algoritmo de red de aprendizaje maquina tipo feedfoward.
Utiliza técnicas de mapeo de características a dimensiones
mayores con la finalidad de separar linealmente un
conjunto previamente inseparable.
- Orígenes
- Corinna Cortes y Vladimir Vapnik en 1995
propusieron las redes de soporte
vectorial para la clasificación de
problemas de grupos binarios, incluyendo
aquellos que no cuentan con una
separación lineal.
- Corinna Cortes y Vladimir Vapnik en 1995
propusieron las redes de soporte
vectorial para la clasificación de
problemas de grupos binarios, incluyendo
aquellos que no cuentan con una
separación lineal.
- Principales capacidades
- Beneficios
- Permite la existencia de
Outliers, o eventos
aislados atípicos.
- Son efectivas en espacios
n-dimensional.
- Utiliza como conjuntos de entrenamiento puntos
en la función de decisión (llamados Vectores de
Soporte), lo que lo hace eficiente en memoria.
- Es eficiente aun contando con pocos
elementos para realizar su entrenamiento,
a diferencia de las redes neuronales.
- Permite la existencia de
Outliers, o eventos
aislados atípicos.
- Desventajas
- Bajo desempeño en comparación a otras técnicas
(K-means, recursive least-squares) en presencia de
conjuntos de datos grandes.
- No es recomendado su uso en presencia de
conjuntos con alto traslape de datos y ruido.
- Bajo desempeño en comparación a otras técnicas
(K-means, recursive least-squares) en presencia de
conjuntos de datos grandes.
- Beneficios
- ¿Qué variantes hay?
- Máquina de soporte vectorial de
agrupación
- Usado comúnmente en aplicaciones
industriales donde los datos no se encuentran
completamente etiquetados.
- Usado comúnmente en aplicaciones
industriales donde los datos no se encuentran
completamente etiquetados.
- Máquinas de soporte vectorial
multiclase
- Permite la separación de mas de dos conjuntos.
- Permite la separación de mas de dos conjuntos.
- Máquina de soporte vectorial de
agrupación
- ¿Qué algoritmo de aprendizaje usa?
- Los Kernels son los métodos de generación de la
superficie de decisión
- Incrementa la dimensionalidad de los conjuntos involucrados hasta contar con
una superficie que pueda separar las clases de manera lineal para después
regresar a su dimensión original.
- Producto punto
- Kernel Sigmoidal
- Kernel de la
función
radial-basis
- Kernel polinomíal
- Kernel doble capa
perceptron.
- Producto punto
- Incrementa la dimensionalidad de los conjuntos involucrados hasta contar con
una superficie que pueda separar las clases de manera lineal para después
regresar a su dimensión original.
- Los Kernels son los métodos de generación de la
superficie de decisión
- Implementación
- Hardware
- VLSI y FPGA
- Alta especificidad y bajo consumo de energía
- Alta especificidad y bajo consumo de energía
- GPU
- Aceleración de procesamiento
para grandes volumenes de
kernels
- Aceleración de procesamiento
para grandes volumenes de
kernels
- CPU
- VLSI y FPGA
- Software
- Scikit/Python
- Matlab
- R
- Tensorflow
- Scikit/Python
- Hardware
Want to create your own Mind Maps for free with GoConqr? Learn more.