Aprendizaje Supervisado: Support Vector Regression

Este algoritmo se basa en buscar la curva o hiperplano que modele la tendencia de los datos de entrenamiento y según ella predecir cualquier dato en el futuro. Esta curva siempre viene acompañada con un rango (máximo margen), tanto del lado positivo como en el negativo, el cual tiene el mismo comportamiento o forma de la curva.

Aprendizaje Supervisado: Support Vector Regression

Todos los datos que se encuentren fuera del rango son considerados errores por lo que es necesario calcular la distancia entre el mismo y los rangos. Esta distancia lleva por nombre epsilon y afecta la ecuación final del modelo.

Los datos pueden ser lineales o no lineales, ya que al final el modelo se ajusta al comportamiento de los datos, lo importante es que se cumplan ciertos criterios para que el modelo obtenga resultados óptimos. Algunos de los criterios que se deben considerar son los siguientes:

  • Los datos deben estar limpios, por lo que se deben preprocesar con anterioridad.
  • No es adecuado para conjuntos de datos grandes ya que el tiempo de entrenamiento puede ser alto.

No es tan efectivo en conjuntos de datos con clases superpuestas o características muy similares.

Aprendizaje Supervisado: Support Vector Regression

Respuesta a la pregunta del video: ¿Cuál de los siguientes ejemplos podemos aplicar el algoritmo de support vector regression?

Opción 1: Predecir la temperatura de un lugar específico de acuerdo a los datos históricos. Respuesta Correcta. Con este algoritmo se puede predecir la temperatura de un sitio utilizando como variables independientes los datos históricos.

Opción 2: Predecir si una acción de la bolsa de valores va a subir o bajar, utilizando los valores histórico. Respuesta Incorrecta. Con este algoritmo no se puede predecir si una acción de la bolsa va a subir o bajar ya que para esto requiere un algoritmo de clasificación y no un algoritmo de regresión.

Opción 3: Predecir la distancia en que un auto se detiene de acuerdo a la velocidad del mismo. Respuesta Correcta. Con este algoritmo se puede calcular la distancia en que un auto se detiene, acá se observa la velocidad del auto y las distancias recorridas para predecir el valor.

 

ebook introducción a machine learning

5 thoughts on “Aprendizaje Supervisado: Support Vector Regression”

  1. Hola ligdieli,
    Lo primero darte las gracias por estos estupendos y tan clarificadores tutoriales.
    En cuanto al comentario que tengo acerca de las preguntas que haces al final de cada video… En este caso pones que el ejemplo de la bolsa…
    «Con este algoritmo no se puede predecir si una acción de la bolsa va a subir o bajar ya que para esto requiere un algoritmo de clasificación y no un algoritmo de regresión.»
    Sin embargo en el caso de los videos anteriores de regresión lineal y polinomial lo pones como ejemplo correcto
    Te has equivocado?? o sino no lo entiendo.
    Muchas gracias Ligdieli

  2. Hola Carlos,
    En los otros dos vídeos anteriores se predijo el precio de una acción en la bolsa de valores, en este caso se quiere predecir si el valor de la bolsa va a subir o bajar, como la predicción no es un número se requiere un algoritmo de clasificación.

  3. Muchas Gracias C
    Tienes razón. Es un matiz muy importante y no me di cuenta. Vi lo de bolsa y pensé que era lo mismo.
    Gracias y saludos.

  4. Hola Carlos, si te fijas en las entradas que mencionas, regresión lineal y polinomial, la pregunta es distinta a esta. En esas entradas la pregunta era si con estos algoritmos puedes predecir el PRECIO de una acción, cosa que si puedes hacer. Por su parte en este video pregunto si la acción SUBE o BAJA por lo que para esto se requiere un algoritmo de clasificación para que prediga si sucede una u otra cosa. Espero que hayas entendido. Saludos.

  5. Exactamente, esa es la diferencia. No me di cuenta que se habían respondido entre si. Los felicito a ambos.

Deja un comentario

Tu dirección de correo electrónico no será publicada. Los campos obligatorios están marcados con *