Support Vector Machines: Descripción del modelo de aprendizaje supervisado y aplicaciones reales.

Support Vector Machines:nDescripción del modelo de aprendizaje supervisado y
aplicaciones reales.
Santiago Ribero Vairo (7651/5)
Facultad de Informática, Universidad Nacional de La Plata
sriberovairo@gmail.com
Resumen. La creciente necesidad de categorizar en
forma automática información compleja de la
realidad, ya sea en tiempo real o fuera de linea,
motiva la investigación dealternativas para proveer
a una máquina la capacidad de discernimiento. La
informatización de tareas de clasificación que a
priori pueden ser realizadas con simpleza por el
hombre, requieren (más que una abstracción del
criterio que se utiliza para evaluar) una
identificación precisa de cuáles son las
características que se evalúan. Una alternativa para
informatizar esta tarea consiste en realizarun
entrenamiento asistido sobre una máquina,
consistente en una clasificación inicial explícita de
datos de entrenamiento (muestras etiquetadas como
positivas en caso de pertenecer a la categoría, o como
negativas en caso contrario), que al estar ubicados
sobre un espacio de características de cualquier
dimensionalidad permitan determinar cuál es la
superficie (hiperplano) que mejorrepresenta la
separación de muestras de ambas clases. Este es el
objetivo de las SVM que gracias a sus ventajas por
sobre otros mecanismos de clasificación (árboles de
decisión, redes neuronales) cuentan con una gran
amplitud de aplicaciones prácticas.
Palabras Clave: Support Vector Machines,
Clasificadores Lineales, Clasificadores de Margen
Máximo,
Redes
Neuronales,
Aprendizaje
Supervisado,Minimización de Riesgo Estructural.

SVM - Descripción del modelo de aprendizaje supervisado y aplicaciones reales

1

Introducción

En la vida cotidiana el hombre se enfrenta frecuentemente con el problema de
clasificación, tal es el caso de los caracteres escritos, el reconocimiento de voz o el diagnóstico
médico. Sin embargo se ha probado en muchos casos que solucionar este tipo deproblemas
haciendo uso de un computador presenta bastantes dificultades [1].
Existen diversas razones que conducen a que la resolución de dichos problemas sea
bastante compleja, entre ellas se encuentran:
1. El origen de lo que se busca clasificar (patrones): caracteres escritos, símbolos,
dibujos, imágenes biomédicas, objetos tridimensionales, firmas, huellas dactilares, imágenes
deTeledetección, cromosomas, etc.
2. La forma adecuada de representar estos elementos.
3. Los requerimientos del sistema, especialmente en tiempo de respuesta, puesto que
aunque algunos métodos sean superiores en éxito, no son aplicables en la práctica dadas estas
restricciones.
4. Factores económicos en especificaciones del sistema de adquisición de datos
(sensores) o en equipos de procesamiento muypotentes pueden dar resultados muy
satisfactorios pero no pueden ser asumidos por los usuarios.
Dentro de las técnicas de clasificación se destacan los árboles de decisión, las redes
neuronales [1] y las máquinas de vectores de soporte SVM [2] por sus siglas en inglés
(Support Vector Machines).
Estas últimas han sido desarrolladas basándose en la teoría estadística de aprendizaje de
Vapnik[3] y han tenido gran éxito al ser aplicadas en la resolución de problemas básicos de
aprendizaje supervisado (clasificación y regresión) y en problemas prácticos reales [2].

2

Support Vector Machines

A partir de un conjunto de datos de entrenamiento etiquetados entre dos clases (en general
{-1,+1}) se hace un entrenamiento supervisado de una SVM para construir un modelo que
determinela clase de nuevos datos (datos de entrada). Se trata de un modelo que representa
los datos de entrenamiento en un espacio para determinar el hiperplano que representa la
mayor separación posible de clases. Por este motivo las SVMs son también conocidas como
"Clasificadores de Margen Máximo".
En la literatura de los SVMs se manejan los siguientes conceptos:
Atributo: es la variable que...