Glossário IA
O dicionário completo da Inteligência Artificial
Máquina de Vetores de Suporte
Algoritmo de aprendizado supervisionado utilizado para classificação e regressão, buscando o hiperplano ótimo que separa as classes com a margem máxima possível. Os SVMs baseiam-se em princípios estatísticos e matemáticos robustos para garantir uma boa generalização.
Hiperplano de Separação
Subespaço afim de dimensão n-1 em um espaço de n dimensões que divide esse espaço em dois semi-espaços distintos. Nos SVMs lineares, o hiperplano ótimo maximiza a distância mínima entre os pontos das diferentes classes.
Função de Decisão
Expressão matemática f(x) = w·x + b que permite classificar um novo ponto em função de sua posição em relação ao hiperplano. O sinal desta função determina a pertinência a uma classe, enquanto seu valor absoluto mede a confiança da classificação.
Formulação Primal
Representação matemática original do problema de otimização SVM que minimiza diretamente a norma do vetor de pesos sob restrições de classificação correta. Esta formulação destaca o objetivo de maximização da margem de forma intuitiva.
Otimização Convexa
Domínio da matemática aplicada que trata da minimização de funções convexas em conjuntos convexos, garantindo a existência e unicidade da solução ótima. Os SVMs beneficiam-se desta propriedade para assegurar a convergência para a solução global.
Variável de Lagrange
Multiplicadores introduzidos para transformar um problema de otimização com restrições em um problema sem restrições equivalente. Nos SVMs, essas variáveis indicam quais pontos de treinamento se tornam vetores de suporte.
Kernel Linear
Função kernel mais simples que calcula diretamente o produto escalar entre dois vetores no espaço original sem transformação. O kernel linear é usado quando as classes são linearmente separáveis e oferece máxima interpretabilidade do modelo.
Parâmetro C
Hiperparâmetro de regularização dos SVMs que determina o compromisso entre a maximização da margem e a minimização dos erros de classificação no conjunto de treinamento. Um valor alto de C favorece menos erros, mas pode levar ao sobreajuste.
Método dos Multiplicadores de Lagrange
Abordagem matemática para resolver problemas de otimização com restrições, introduzindo variáveis multiplicadoras associadas a cada restrição. Este método é fundamental para a resolução do problema de otimização SVM.
Problema de Separação Linear
Caso teórico onde um hiperplano pode separar perfeitamente os pontos de diferentes classes sem erro de classificação. Os SVMs lineares são otimizados para encontrar a melhor separação possível, mesmo quando as classes não são perfeitamente separáveis.
Classificador Linear Ótimo
Modelo de classificação linear que maximiza a margem entre as classes, garantindo teoricamente a melhor capacidade de generalização entre todos os classificadores lineares possíveis. A otimalidade é demonstrada pela teoria estatística da aprendizagem.
Métrica de Distância
Função matemática que define a noção de distância entre pontos no espaço de características, essencial para o cálculo da margem nos SVMs. A distância euclidiana é geralmente utilizada para medir o afastamento em relação ao hiperplano.
Convergência do Algoritmo
Propriedade garantida dos algoritmos de otimização SVM de atingir a solução ótima em um número finito de iterações, graças à natureza convexa do problema. Esta convergência assegura a reprodutibilidade e a confiabilidade dos resultados obtidos.