Pular para o conteúdo
Even3

Fundamentos e vantagens das LS-SVMs na análise de dados

Trecho de 1 min 52 s de Aprendizagem de máquina aplicada à química analítica, gravado no evento XI Workshop de Quimiometria.

Assistir à gravação completaNo Even3 Conteúdos · 54 min

Sobre este trecho

O palestrante aborda a formulação teórica das LS-SVMs e suas vantagens analíticas, como a menor complexidade computacional e a capacidade de generalização.

Vai de a da gravação.

O que é dito neste trecho

Bem, essas essas SVM, como assim são conocidas, né, são máquinas de aprendizagem que segundo a Vapnik, né, elas vão se basear na teoria da aprendizagem estatística e no princípio da minimização do risco estrutural. Já em 1999, né, Suykens e seus colaboradores, né, eles propuseram uma modificação dessas SVM, originando, então, as conhecidas LS-SVMs. Eh, a principal característica então dessas LS-SVMs é a sua menor complexidade computacional, principalmente, né? E o treinamento dessas LS-SVMs é realizado através de soluções de um sistema de equações lineares ao invés de programação quadrática, né, como as anteriores. Isso facilita muito a gente poder, então, eh eh habilitar um uma uma rotina para a realização então e aplicação dentro da química analítica. Eh, os princípios dessas dessas redes, né, que elas também são redes neurais, é o mapeamento do espaço de entrada, né, para um espaço de características a partir de uma função núcleo escolhida. Nós vamos depois definir essas funções. E também a otimização dessa função, né, através eh de uma função de custo, através então da aplicação dos multiplicadores de Lagrange. A finalmente então vai ser feita a solução dessas equações, né, lineares, para então a gente obter aquele modelo clássico de regressão que todos vocês já estão familiarizados. Vantagens, então, que nós temos. Eh, basicamente elevada a capacidade de generalização, que vai, então, possibilitar evitar sobreajustes. A robustez em casos de grandes dimensões, né, quando a gente trabalha com dados de espectroscopia ou até de outras dimensões também é é possível, ou seja, dados de ordem superior. A otimização convexa da função custo, então, que vai possuir, então, apenas um mínimo teoricamente, ou seja, um resultado único.

Outros trechos deste conteúdo