Glosario IA
El diccionario completo de la Inteligencia Artificial
Hiperplano óptimo
Frontera de decisión en un espacio de alta dimensión que maximiza la distancia entre las clases más cercanas, garantizando así la mejor separación posible de los datos.
Vector de soporte
Puntos de entrenamiento situados en los márgenes que definen el hiperplano óptimo, estos puntos críticos determinan la posición y la orientación de la frontera de decisión.
Margen máximo
Distancia entre el hiperplano de decisión y los puntos de entrenamiento más cercanos de cada clase, que el algoritmo SVM busca maximizar para mejorar la generalización.
Función kernel
Función matemática que transforma implícitamente los datos en un espacio de mayor dimensión sin realizar la transformación explícita, permitiendo la separación lineal de datos no lineales.
SVM lineal
Variante de las SVM que utiliza un hiperplano lineal para separar las clases, particularmente eficaz cuando los datos son linealmente separables en su espacio original.
SVM no lineal
Extensión de las SVM que utiliza funciones kernel para proyectar los datos en un espacio de dimensión superior donde se vuelven linealmente separables.
Variable de holgura
Variables de relajación que permiten que algunos puntos violen las restricciones de margen, haciendo el modelo más robusto frente a datos ruidosos o no separables.
Hiperparámetro C
Parámetro de regularización que controla el compromiso entre la maximización del margen y la minimización de los errores de clasificación, determinando la penalización por las violaciones de margen.
SVM de una clase
Variante de las SVM utilizada para la detección de anomalías donde el algoritmo aprende un límite alrededor de los datos normales para identificar las observaciones atípicas.
SVR (Support Vector Regression)
Adaptación de las SVM para los problemas de regresión que busca encontrar una función que se desvíe como máximo de un valor épsilon de los objetivos mientras sea lo más plana posible.
Formulación dual
Representación matemática alternativa del problema de optimización SVM que depende únicamente de los productos escalares entre las observaciones, facilitando el uso de las funciones de kernel.
Espacio de características
Espacio transformado de alta dimensión donde los datos pueden separarse linealmente, obtenido mediante la aplicación de la función de kernel a los datos originales.
SVM multiclase
Extensión de las SVM binarias para gestionar los problemas de clasificación multiclase, generalmente implementada mediante estrategias uno-contra-uno o uno-contra-todos.
Kernel RBF
Función de kernel basada en una función radial gaussiana que mapea los datos en un espacio de dimensión infinita, una de las funciones de kernel más populares para las SVM no lineales.
SMO (Sequential Minimal Optimization)
Algoritmo de optimización eficiente para resolver el problema dual de las SVM optimizando iterativamente los multiplicadores de Lagrange por pares, reduciendo la complejidad computacional.
Kernel polinomial
Función de kernel que calcula el producto escalar de los vectores en un espacio de características polinomial, permitiendo capturar las relaciones no lineales de orden superior.
Margen suave
Extensión de las SVM que permite ciertas violaciones de las restricciones de margen mediante variables de desviación, haciendo el modelo más flexible frente a datos ruidosos o superpuestos.
Gamma (γ)
Hiperparámetro de las funciones de núcleo RBF y polinomial que controla la influencia de un solo ejemplo de entrenamiento, determinando la flexibilidad del límite de decisión.