Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
abstract – The learning of supervised machines or clasificación por vecino más cercano que era un
machine learning that have been studied during método simple y básico pero que al necesitar
the program of computational tools comes from respuestas más precisas se quedaban cortos. Por
the simple programming of finding intercept, ello en este documento va a condensar dos nuevos
where there are different types of classifiers métodos de clasificación uno se le conoce como
depending on the type of problem and the type of máquinas de vectores de soporte, (support vector
border classification by nearest neighbor that it machines) la otra clasificación de Naive Bayes
was a simple and basic method but that on the (Naive Bayes Classifier), partiendo de la
contrary, more precise answers fell short. construcción de vocabulario conceptual,
Therefore, this document tries to condense two conociendo su modelo matemático, algunas
new methods of classification of support vector aplicaciones y sus ventajas y desventajas.
machines, the other classification of Naive Bayes,
starting from the construction of conceptual 1. Conceptos básicos
vocabulary, knowing its mathematical model, 1.1. Support Vector Machines
some applications and its advantages and Es un tipo de clasificador que se utiliza en
disadvantages. sistemas de clasificación basados en Bag of words,
Keywords – linear, support, classifier, advantage en su formulación Support Vector Machines
corresponde a un clasificador binario y lineal, esto
Introducción quiere decir que puede distinguir únicamente entre
El aprendizaje de máquinas supervisada o dos clases o dos respuestas, donde existe una única
machine learning que se han venido estudiando frontera de separación entre dos clases
durante el programa de herramientas representada por una línea en ℝ2 y por un
computacionales viene desde la programación hiperplano en el caso general de ℝ𝑛 en el que la
sencilla de hallar intercepto, donde existen frontera de la clasificación es una recta en un
diferentes tipos de clasificadores en función del espacio bidimensional.
tipo de problema y del tipo de frontera
Extensiones clases, sino que lo hacen a partir de un conjunto
Clasificación multiclase de entrenamiento.
Conjuntos no separables linealmente Entonces la solución de un Support Vector
La formulación básica del método presenta que, si Machines se encuentra en el grupo de los modelos
se tienen dos clases, como se observa en la fig. 1 discriminativos, como ejemplos de este tipo de
y se quiere definir una frontera lineal entre ellas, modelos encontramos la regresión logística y las
no va a existir una única manera de generar un redes neuronales.
hiperplano de separación en un ejemplo de dos La característica principal de los support vector
clases y dos dimensiones, esto significa que se machine es que la solución se basa en margen
puede trazar líneas de separación entre las máximo quiere decir que al ser un clasificador
muestras de la clase 1 y muestras de las clase 2 lineal su solución va a ser un hiperplano que
haciendo caso a diferentes criterios. A manera particiona el espacio en dos regiones y que para el
general podemos decir que existen dos maneras de caso particular de dos dimensiones es una línea
atacar este problema en la disciplina del recta.
reconocimiento de patrones. La frontera de decisión de un SVM es un
hiperplano.
queda definida por dos hiperplanos por tanto la a ser aquellas que, cuando se aplica la formulación
región solución de un SVM es el plano intermedio del hiperplano obtiene un valor mayor a cero, y en
la zona más allá del margen de cada clase, como obtiene de manera general minimizando el
representado por las zonas en gris. función y después maximizando con respecto a los
multiplicadores alfa.
Cuando los conjuntos no son linealmente
separables se debe aplicar función kernel.
P(H) es la probabilidad de que la hipótesis H Se usa en los datos que se distribuyen con las
https://es.coursera.org/learn/clasificacion-
imagenes/lecture/52lRD/support-vector-
machines-svm-conceptos-basicos
https://es.coursera.org/learn/probabilistic-
graphical-models/lecture/PTXfn/conditional-
independence
http://dataaspirant.com/2017/02/06/naive-bayes-
classifier-machine-learning/
https://machinelearningmastery.com/support-
vector-machines-for-machine-learning/
https://es.coursera.org/learn/python-machine-
learning/lecture/uClaN/linear-classifiers-support-
vector-machines