¿Que es el Support Vector Machine en la Inteligencia de Negocios?

En el “machine learning”, el Support Vector Machine  (SVM) es un modelo supervisado ​​de aprendizaje con algoritmos asociados que analizan los datos y reconocen patrones, que se utiliza para la clasificación y el análisis de regresión en la Inteligencia de Negocios. El SVM básico toma un conjunto de datos de entrada y predice, para cada entrada dada, a cuál de las dos clases de salida pertenece, por lo que es un clasificador no-probabilístico lineal binario (solo escoge entre 2 opciones). Dado un conjunto de ejemplos de entrenamiento, cada uno marcado como perteneciente a una de dos categorías, un algoritmo de entrenamiento construye un modelo que asigna nuevos ejemplos en una categoría u otra. Este tipo de modelos es muy utilizado para el análisis de modelos en los cuales se tiene que clasificar un conjunto de datos a solo dos categorías, fraude o no-fraude, sí o no al crédito, etc. Un modelo de SVM es una representación de los ejemplos (base de datos con la cual se realizó la estimación) como puntos en el espacio, de modo que asignan los ejemplos de las categorías separadas que generalmente quedan divididas por un espacio definido, espacio que tiene que ser tan amplio como sea posible. Los nuevos datos de entrada serán clasificados en el mismo espacio y para predecir a que categoría pertenece.

El Support Vector Machine  se basa en que cada nuevo dato puede ser clasificado dentro de la categoría que corresponde basado en el aprendizaje de los datos analizados. En el ejemplo de más abajo, los objetos pertenecen a solo una clase ya sea verde o rojo. La línea de separación define un límite en el lado derecho en el cual todos los objetos son de color verde y a la izquierda donde todos los objetos son de color rojo.

SVM support vector machine

En este otro ejemplo podemos observar las dos categorías divididas por un eje central y dos distancias de holgura entre ellas.

Support Vector Machine

En la vida real es muy difícil encontrar modelos tan claros como las de estas imágenes, pero siempre es posible tener una aproximación.

 

Leave a Reply

Shares