Objetivo

Abordar la teoría en la que se sustentan las máquinas de vectores de soporte, sus diversas aplicaciones y la forma en que pueden ser implementadas en Python con la librería de aprendizaje automático Scikit Learn.

Descripción

Las máquinas de vectores de soporte (SVM) tienen sus raíces en los métodos estadísticos. Fueron originalmente diseñadas para resolver problemas de clasificación binaria, pero con el paso del tiempo, su aplicación se ha extendido a situaciones donde se requiere de una clasificación múltiple o un resultado numérico obtenido por regresión. Se usan en la detección de anomalías, la resolución de problemas de regresión, la categorización de texto, el análisis de series de tiempo o las aplicaciones de visión por computadora.

Haz clic para revisar la explicación.

Máquinas de vectores de soporte

Revisa el siguiente video:

Para conocer más sobre fundamentos matemáticos para el aprendizaje automático, revisa el siguiente video:

Sistemas Inteligentes. (2021, 30 de marzo). Máquinas de Soporte Vectorial | Cómo funcionan las SVM | Código en python [Archivo de vídeo]. Recuperado de https://www.youtube.com/watch?v=XyH8bdv_DSw

Objetivo

Implementar un modelo de máquina de vector de soporte, utilizando el lenguaje de programación Python y la librería Scikit-learn.

Instrucciones

1. Identifica un problema del cual puedas obtener una cantidad considerable de muestras, y cuya solución requiera de un proceso de clasificación multinomial. A partir de estos datos realiza las siguientes operaciones:
1. Elabora un programa en Python que utilice el modelo de máquina de vector de soporte con Kernel para solucionar dicha problemática.
2. Compara los resultados obtenidos modificando el tipo de Kernel.
3. Evalúa la precisión de los modelos para cada caso.

Checklist

Asegúrate de:

• Identifica el problema y efectúa adecuadamente las operaciones indicadas.