SVM, ó Support Vector Machine (Máquina de Vectores de Soporte) en español, es un algoritmo de aprendizaje automático utilizado para la clasificación y regresión. Es una técnica de aprendizaje supervisado que se utiliza comúnmente en problemas de reconocimiento de patrones y análisis de datos.
La idea principal detrás de SVM es encontrar un hiperplano en un espacio de alta dimensión que mejor separe las clases de datos. Para ello, el algoritmo busca los vectores de soporte, que son los puntos de datos más cercanos al hiperplano de separación. Estos vectores de soporte son fundamentales para definir la separación óptima entre las clases.
SVM puede manejar datos linealmente separables, donde las clases pueden ser separadas por una línea recta, así como datos no linealmente separables, utilizando una técnica llamada kernel trick. El kernel trick permite mapear los datos de entrada a un espacio de mayor dimensión donde puedan ser separados de manera lineal.
Una vez entrenado, un modelo SVM se puede utilizar para predecir la clase de nuevos datos de entrada. El algoritmo clasifica los nuevos puntos en función de qué lado del hiperplano se encuentren.
SVM ha demostrado ser eficaz en una variedad de aplicaciones, incluyendo reconocimiento de imágenes, análisis de texto, bioinformática y finanzas, entre otros. Su capacidad para manejar tanto datos linealmente separables como no linealmente separables, junto con su flexibilidad para utilizar diferentes kernels, lo convierte en un algoritmo versátil en el campo del aprendizaje automático.
Referencias complementarias
___________________________________________________________________
Support Vector Machine Methods and Artificial Neural Networks Used for the Development of Bankruptcy Prediction Models and their Comparison
Jakub Horak, Jaromir Vrbka and Petr Suler
Journal of Risk and Financial Management 2020.
Este Artículo presenta un estudio sobre el desarrollo de modelos de predicción de quiebra o insolvencia de empresas industriales que operan en la República Checa, utilizando métodos de Máquina de Vectores de Soporte y Redes Neuronales Artificiales. Leer PDF.
- Cortes, C., & Vapnik, V. (1995). Support-vector networks. Machine learning, 20(3), 273-297. Artículo Leer PDF.
- Burges, C. J. (1998). A tutorial on support vector machines for pattern recognition. Data mining and knowledge discovery, 2(2), 121-167. Artículo Leer PDF.
- Cristianini, N., & Shawe-Taylor, J. (2000). An introduction to support vector machines and other kernel-based learning methods. Cambridge University Press. Índice Libro Leer PDF.
- Schölkopf, B., & Smola, A. J. (2002). Learning with kernels: support vector machines, regularization, optimization, and beyond. MIT Press. Libro Completo. Leer PDF
- Hastie, T., Tibshirani, R., & Friedman, J. (2009). The elements of statistical learning: data mining, inference, and prediction. Springer Science & Business Media. Libro Completo.
Leer PDF. - Chapelle, O., & Vapnik, V. (2000). Model selection for support vector machines. In Advances in neural information processing systems (pp. 230-236). Artículo Leer PDF.
- Cristianini, N., & Shawe-Taylor, J. (2000). An introduction to support vector machines and other kernel-based learning methods. Cambridge University Press. Índice Libro Leer PDF.