Máquinas de Soporte Vectorial

Máquinas de Soporte Vectorial

1. ¿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
       • Regresión
         • Tendencias financieras
         • Diseño de fármacos
     • 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.

2. 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.

3. 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.
   • 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.

4. ¿Qué variantes hay?

   • Máquina de soporte vectorial de agrupación
     • 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.

5. ¿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.

6. Implementación

   • Hardware
     • VLSI y FPGA
       • Alta especificidad y bajo consumo de energía
     • GPU
       • Aceleración de procesamiento para grandes volumenes de kernels
     • CPU
   • Software
     • Scikit/Python
     • Matlab
     • R
     • Tensorflow