Resumen

La máquina de vectores soporte es un clasificador basado en el principio de minimización del riesgo estructurado. El rendimiento de la SVM depende de distintos parámetros, como el factor de penalización, C, y el factor del núcleo, σ. Además, la elección de una función de núcleo adecuada puede mejorar la puntuación de reconocimiento y reducir la cantidad de cálculos. Además, la selección de las características útiles entre varias características en el conjunto de datos no sólo aumenta el rendimiento de la SVM, sino que también reduce el tiempo de cálculo y la complejidad. Se trata, por tanto, de un problema de optimización que puede resolverse mediante un algoritmo heurístico. En algunos casos, además de la puntuación de reconocimiento, la fiabilidad de la salida del clasificador es importante. En estos casos se necesita un algoritmo de optimización multiobjetivo. En este trabajo hemos utilizado el algoritmo MOPSO para optimizar los parámetros de la SVM, elegir la función kernel adecuada y seleccionar el mejor subconjunto de características simultáneamente para optimizar la puntuación de reconocimiento y la fiabilidad de la SVM al mismo tiempo. Se utilizan nueve conjuntos de datos diferentes, procedentes del repositorio de aprendizaje automático de la UCI, para evaluar la potencia y la eficacia del método propuesto (MOPSO-SVM). Los resultados del método propuesto se comparan con los obtenidos por redes neuronales SVM, RBF y MLP.

• Materias:Control del proceso Desarrollo de procesos Programación lineal Programación Matemática Optimización de procesos
• Subjects: Process development Linear programming Mathematical Programming Process optimization
• Palabras claves:svm, función kernel adecuada, puntuación de reconocimiento, principio de minimización del riesgo estructurado, máquina de vectores soporte, mejor subconjunto de características, algoritmo de optimización multiobjetivo, clasificador, método, rendimiento
• Keywords:svm, appropriate kernel function, recognition score, structured risk minimization principle, support vector machine, best feature subset, multiobjective optimization algorithm, classifier, method, performance