Discriminación de datos en máquina de soporte vectorial Public Deposited
El aprendizaje maquinal (ML por sus siglas en inglés) es un campo de la computación que permite a las computadoras descubrir patrones entre muchos ejemplos de un fenómeno, por lo que pueden actuar ante situaciones que no fueron programadas de manera explicita, gracias a esto se desarrollaron sistemas con comportamientos autónomos basados en experiencias. El ML ha demostrado ser muy eficiente aplicado al análisis de información, en particular en el campo de la clasificación de datos. Se ha hecho evidente que el ML realiza el análisis de grandes conjuntos de datos mucho más rápido que su contraparte humana lo que permite manejar cantidades de información que en un principio eran intratables. Dentro de ML existe una gran cantidad de técnicas desarrolladas con el fin de simular la inteligencia humana al resolver problemas, estos van desde toma de decisiones dentro de un juego, clasificaciones de datos, hasta robots autónomos que permiten interactuar con el medio ambiente para poder desplazarse de manera independiente. La clasificación de datos ha sido uno de los problemas a los que más se han enfocado los métodos de aprendizaje maquinal, gracias a la gran cantidad de aplicaciones en las que es necesario tener herramientas autónomas que reconozcan y separen tipos de datos, esta clasificación debe de ser precisa a la vez que rápida, por lo que se requieren de métodos que realicen la tarea en tiempos tratables para manejar la información. Existen muchas técnicas que resuelven esta problemática que sin embargo necesitan de más investigación para mejorar su rendimiento, entre las técnicas más destacadas se encuentran: Los árboles de decisión, las redes bayesianas, los k -vecinos más cercanos, etc. Uno de los métodos más destacados son las máquinas de soporte vectorial [1] ( SVM por sus siglas en inglés) ya que tienen buenos resultados y son muy generalizados, esto lo logra creando modelos a partir de un conjunto de aprendizaje con los que es capaz de clasificar los datos dependiendo de sus atributos. Las SVM al igual que otras técnicas de aprendizaje maquinal tienen una fase de entrenamiento que llega a ser muy lenta cuando la cantidad de datos con las que crea los modelos de clasificación son muy grandes, por este motivo los tiempos de entrenamiento llegan a ser intratables usando equipo de cómputo convencional para ejemplos con bases de datos que contengan millones de registros, algunas técnicas en el aprendizaje maquinal tienden a estar en la escala de minutos u horas para una base de datos con esta cantidad de información, mientras que el tiempo requerido por las máquinas de soporte vectorial sobrepasan las horas o incluso días de procesamiento, donde también se tiene que considerar la gran cantidad de recursos de cómputo que requiere aplicar la técnica. En este trabajo proponemos un método para filtrar los datos de entrenamiento de las máquinas de soporte vectorial, de esta manera utilizando un conjunto más pequeño las SVM entrenarán más rápido manteniendo su precisión al clasificar.
Des relations
| Dans l'ensemble administratif: |
|---|
Descriptions
| Nom d'attribut | Valeurs |
|---|---|
| Creador | |
| Contributeurs | |
| Tema | |
| Editor | |
| Idioma | |
| Identificador | |
| Mot-clé | |
| Año de publicación |
|
| Tipo de Recurso | |
| Derechos | |
| División académica | |
| Línea académica | |
| Licencia |
