Clasificación mediante máquinas de soporte vectorial
Resumen
Este artículo presenta las principales ideas y conceptos en que se fundamentan las Máquinas de Soporte Vectorial. Uno de estos conceptos es el hiperplano clasificador o de decisión. Otro concepto clave es el de núcleo considerado como una forma de medir la similaridad entre objetos de diferente clase. Sin embargo, el teorema de Mercer es la base matemática para el funcionamiento de las Máquinas de Soporte Vectorial, este posibilita construir clasificadores en espacios cuya dimensión es mayor que la del espacio original. Por lo que, permite separar a los grupos, lo que facilita su clasificación. Además, se presenta una aplicación a datos simulados.
Citas
Berlinet, A., & Thomas-Agnan, C. (2004). Reproducing Kernel Hilbert Spaces in Probability Spaces. New York: Springer US.
Dalgaard , P. (2008). Introductory Statistics with R. Second Edd.ition. New York: Springer.
Hast:i e, T., Tibshirani, R ., & Friedman, J. (2013). Tite Elements of Statistical learning. Data Mining, lnference, and Prediction . Second Edit:ion. New York: Springer.
James, G., Witten, D., Hastie, T., & Tibshirani, R. (2013). An lntroduction to Statistical leaming with applications in R. New York: Springer.
Lantz, B. (2013). Machi11 e Laemi11g with R. London: Packt Publishing.
Scholkopf, B., & Muandet, K. (2013). One-Class Support Measure Machines for Group Anomaly Detection. arXiv:l303, 1-10.
Scholkopf, B., & Smola, A. (2001). Learning with Kernels. Support Vector Machines, Regularization , Optimazation and Beyo11d. Cambridge MA: MIT Press.
Dalgaard , P. (2008). Introductory Statistics with R. Second Edd.ition. New York: Springer.
Hast:i e, T., Tibshirani, R ., & Friedman, J. (2013). Tite Elements of Statistical learning. Data Mining, lnference, and Prediction . Second Edit:ion. New York: Springer.
James, G., Witten, D., Hastie, T., & Tibshirani, R. (2013). An lntroduction to Statistical leaming with applications in R. New York: Springer.
Lantz, B. (2013). Machi11 e Laemi11g with R. London: Packt Publishing.
Scholkopf, B., & Muandet, K. (2013). One-Class Support Measure Machines for Group Anomaly Detection. arXiv:l303, 1-10.
Scholkopf, B., & Smola, A. (2001). Learning with Kernels. Support Vector Machines, Regularization , Optimazation and Beyo11d. Cambridge MA: MIT Press.
