ALGORITMO TIPO SMO PARA LA AD-SVM APLICADO A LA CLASIFICACIÓN MULTICATEGORÍA

Abstract

Las SVMs (Support Vector Machines o Máquinas de Soporte Vectorial) son un tipo de máquinas de aprendizaje que se idearon en un inicio para tratar problemas de clasificación binaria. En la actualidad, se han realizado extensiones de las SVMs para abarcar problemas de clasificación con más de dos clases. Recientemente se ha creado una nueva SVM multi-categoría mono-objetivo, denominada AD-SVM (All Distances SVM o SVM de Todas las Distancias) que trabaja con un número de restricciones que escala linealmente con el número de ejemplos y clases del problema a tratar. A pesar de la escalabilidad que posee la AD-SVM, a la fecha no se han realizado experimentos acabados para comparar su rendimiento frente a otras técnicas de clasificación ''multi-categoría. Esto se debe principalmente a que la máquina carece de un algoritmo eficiente de entrenamiento, por lo cual su ejecución es extremadamente lenta y consumé recursos de memoria que no son abarcables si el tamao del problema es muy graride, haciendo inviable la realización de experimentos de gran volumen. Esta tesis tiene como fin abordar los siguientes objetivos: 1) Disear un algoritmo de entrenamiento para la AD-SVM capaz de competir en tiempo de ejecución con los utilizados en otras máquinas de clasificación multi-categórica; 2) Realizar un estudio experimental para comparar el desempeo de la AD-SVM frente a otras técnicas de clasificación multi-categoría.'