Máquinas de vectores de soporte
Una máquina de vectores de soporte (SVM) es un algoritmo clásico que separa dos grupos trazando el límite más amplio posible entre ellos.
Descripción general
It was one of the most powerful classifiers before deep learning and is still strong on small, clean datasets.
Buceo profundo
Una SVM encuentra el límite de decisión, llamado hiperplano, que maximiza el margen, la brecha entre el límite y los puntos de datos más cercanos de cada clase. Esos puntos más cercanos son los "vectores de soporte" y son los únicos que definen el límite, lo que hace que el modelo sea compacto y resistente a valores atípicos alejados del borde. Cuando los datos no se pueden dividir en una línea recta, el truco del núcleo los asigna a un espacio de dimensiones superiores donde existe una separación limpia, sin siquiera calcular esas coordenadas directamente. Un margen suave permite algunas clasificaciones erróneas, controladas por un parámetro C, por lo que el modelo equilibra un amplio margen contra errores de entrenamiento. Las SVM destacan cuando hay muchas funciones pero pocos ejemplos, como en la clasificación de textos y la bioinformática.
Información técnica
Maximizar el margen es un problema de optimización convexa, por lo que las SVM tienen un óptimo global único, a diferencia de las redes neuronales. El truco del kernel reemplaza los productos escalares entre puntos de datos con una función del kernel, como la función de base radial (RBF) o el kernel polinomial, que calcula implícitamente la similitud en un espacio de dimensiones superiores. Esto permite que un método lineal dibuje límites curvos de forma económica. Dos hiperparámetros dominan el ajuste: C, que compensa el ancho del margen con los errores, y gamma en el núcleo RBF, que establece hasta dónde llega la influencia de cada punto.
Impacto Estratégico
Decisiones más claras
Le ayuda a separar las afirmaciones técnicas claras del lenguaje de marketing.
Costo y presupuesto
Puede hacer mejores preguntas sobre implementación antes de gastar dinero o tiempo.
Equipo y flujo de trabajo
Los equipos con conocimientos compartidos toman mejores decisiones sobre productos, políticas y aprendizaje.
El futuro de las máquinas de vectores de soporte
Las SVM han sido superadas en gran medida por el aprendizaje profundo y los árboles impulsados por gradientes para conjuntos de datos grandes y complejos, pero siguen siendo una opción confiable cuando los datos son escasos, de alta dimensión o necesitan una base de referencia sólida y bien entendida. Siguen siendo comunes en la enseñanza, en bioinformática y tareas de texto, y en entornos con recursos limitados donde un modelo pequeño y rápido supera a una red pesada. Se espera que las SVM persistan como una herramienta clásica confiable y un punto de referencia en lugar de una frontera para nuevas investigaciones.
Implementación en el mundo real
Clasificación de texto y spam, donde los documentos tienen miles de características de palabras pero ejemplos limitados.
Clasificación de imágenes en pequeños conjuntos de datos antes de que el aprendizaje profundo se volviera dominante.
Clasificación del cáncer y la expresión genética en bioinformática con muchas características y pocas muestras.
Reconocimiento de dígitos escritos a mano, un punto de referencia SVM clásico en el conjunto de datos MNIST.
Riesgos y barandillas
Diferentes equipos pueden usar el mismo término de manera diferente, por lo tanto, defina el alcance con anticipación.
Los puntos de referencia pueden parecer sólidos, mientras que el desempeño en el mundo real es desigual.
Ignorar la calidad de los datos y los planes de evaluación a menudo genera resultados frágiles.
Hoja de ruta de implementación
Comience con una definición en lenguaje sencillo del resultado que necesita.
Elija una métrica de éxito y una condición de fracaso antes de realizar la prueba.
Ejecute un pequeño piloto con datos representativos, no un conjunto de demostración pulido.
Documente dónde ayuda Support Vector Machines y dónde los métodos más simples son mejores.
Sigue explorando
Free newsletter
Get the daily AI briefing
Three verified AI stories every weekday morning, written in plain English. Free forever, no ads.
One email each weekday. Unsubscribe in one click. We never sell or share your address.
Test yourself
Take the Support Vector Machines quiz
Instant feedback on every answer, and a shareable certificate with a verifiable ID once you pass a course.
Support free AI education. AI Understanding is a 501(c)(3) nonprofit — no ads, no paywall, ever. Make a donation
Siguiente guía
Conceptos básicos del aprendizaje automático
Preguntas frecuentes
What is Support Vector Machines?
Una máquina de vectores de soporte (SVM) es un algoritmo clásico que separa dos grupos trazando el límite más amplio posible entre ellos. Era uno de los clasificadores más potentes antes del aprendizaje profundo y sigue siendo sólido en conjuntos de datos pequeños y limpios.
¿Qué intenta maximizar una máquina de vectores de soporte?
Una SVM encuentra el hiperplano que maximiza el margen, la distancia a los puntos más cercanos de cada clase, para lograr la separación más sólida.
¿Cuáles son los 'vectores de soporte' en una SVM?
Sólo los puntos más cercanos al límite, los vectores de soporte, determinan el hiperplano; otros puntos pueden moverse sin cambiarlo.
¿Qué problema resuelve el truco del kernel?
El truco del núcleo implícitamente asigna datos a un espacio de dimensiones superiores donde funciona un límite recto, lo que permite separaciones curvas de forma económica.
¿Qué controla el parámetro C en una SVM de margen suave?
C equilibra tener un gran margen contra permitir algunos errores de entrenamiento; C pequeña significa un margen más amplio y tolerante.
¿Qué núcleo se utiliza habitualmente para crear límites curvos y flexibles?
El núcleo RBF (Gaussiano) es un valor predeterminado popular que mide la similitud en función de la distancia, lo que permite límites no lineales suaves.