Máquinas de vectores de soporte (SVM)
Las máquinas de vectores de soporte (SVM) son un conjunto de algoritmos de aprendizaje automático supervisado que se utilizan para resolver problemas de clasificación y regresión.
En concreto, se trata de un modelo que representa los puntos de muestra en el espacio, separando las clases a dos espacios mediante un hiperplano. Este hiperplano de separación estará definido como un vector entre los dos puntos de las dos clases más cercanas al que se llama vector soporte.
Características de las máquinas de vectores de soporte (SVM)
Las SVM tienen varias características por ser una técnica de aprendizaje automático bastante efectiva, siendo la opción preferida a menudo en análisis de texto.
Luego, algunas de las características que se pueden destacar de esta técnica son su efectividad en espacios de alta dimensión, su eficiencia en consumo de recursos computacionales y su versatilidad.
En este sentido, cuando hablamos de versatilidad nos referimos a que esta técnica puede ser usada tanto en datos binarios como no binarios. Por otra parte, del mismo modo puede aplicarse en problemas de clasificación o regresión, o con datos nominales o numéricos.
En resumen, es una técnica a tener en cuenta casi siempre en los test de datasets.
Funcionamiento de las máquinas de vector soporte (SVM)
Para conocer mejor las máquinas de vectores de soporte (SVM), debemos analizar paso a paso su forma de funcionar, ya que así podremos identificar de mejor forma si esta técnica es ideal o no para nuestro proyecto.
Por tanto, si en primer lugar disponemos de un conjunto de ejemplos de entrenamiento, etiquetamos las clases y luego formamos una SVM, podremos construir un modelo. Este intentará predecir la clase de una nueva muestra, nos saldrá de forma gráfica lo siguiente:
En este sentido, la SVM busca un hiperplano que separe de forma óptima los puntos de una clase de la otra. Es decir, la SVM construye un hiperplano o conjunto de hiperplanos que puede ser utilizado en problemas de clasificación o regresión. Una buena separación entre las clases permitirá una clasificación correcta.
Ejemplos de aplicación del SVM
Las SVM se utilizan a menudo en aplicaciones que se utilizan de forma diaria, tales como:
- Detección de spam en el correo electrónico
- Identificación de errores ortográficos vía aplicación de texto
- Predicciones dicotómicas en general
En definitiva, las máquinas de vectores de soporte (SVM) son una herramienta poderosa a tener en cuenta. Tanto es así, que en nuestros proyectos relacionados con machine learning queremos alcanzar una eficacia y eficiencia decentes, la SVM debería estar entre las opciones de test.
