Optimización de Support Vector Machine mediante metaheurísticas para clasificación de retinopatia diabética

Autores
Rojas, Matias Gabriel; Carballido, Jessica Andrea; Olivera, Ana Carolina; Vidal, Pablo Javier
Año de publicación
2020
Idioma
español castellano
Tipo de recurso
documento de conferencia
Estado
versión publicada
Descripción
La máquina de vectores de soporte (SVM, Support Vector Machine) es una técnica de clasificación de aprendizaje supervisado, ampliamente utilizada en diferentes campos de aplicación. SVM busca identificar el mejor hiperplano que permita lograr una separación clara entre un conjunto de datos. Desafortunadamente, el uso práctico de SVM está limitado por la calidad de la configuración de sus hiperparámetros, que tienen un impacto directo sobre su rendimiento en clasificación y generalización. Por lo tanto, es necesario desarrollar un enfoque efectivo y rápido para determinar los valores de estos hiperparámetros que lleven a una clasificación eficiente y confiable. Este trabajo presenta la evaluación de cuatro metaheurísticas, en la labor de optimizar los hiperparámetros de un SVM que utiliza un kernel Wavelet. Las evaluaciones se realizaron sobre un conjunto de datos relacionados a la enfermedad retinopatía diabética. A partir de los resultados del experimento, se puede concluir que el uso de técnicas metaheurísticas para optimizar los hiperparámetros puede ayudar a mejorar la capacidad de clasificación y generalización del SVM
Fil: Rojas, Matias Gabriel. Universidad Nacional de Cuyo. Instituto para las Tecnologías de la Informacion y las Comunicaciones; Argentina. Consejo Nacional de Investigaciones Científicas y Técnicas. Centro Científico Tecnológico Conicet - Mendoza; Argentina
Fil: Carballido, Jessica Andrea. Consejo Nacional de Investigaciones Científicas y Técnicas. Centro Científico Tecnológico Conicet - Mendoza; Argentina. Universidad Nacional del Sur. Departamento de Ciencias e Ingeniería de la Computación; Argentina
Fil: Olivera, Ana Carolina. Consejo Nacional de Investigaciones Científicas y Técnicas. Centro Científico Tecnológico Conicet - Mendoza; Argentina. Universidad Nacional de Cuyo. Instituto para las Tecnologías de la Informacion y las Comunicaciones; Argentina. Universidad Nacional de Cuyo. Facultad de Ingeniería; Argentina
Fil: Vidal, Pablo Javier. Consejo Nacional de Investigaciones Científicas y Técnicas. Centro Científico Tecnológico Conicet - Mendoza; Argentina. Universidad Nacional de Cuyo. Facultad de Ingeniería; Argentina. Universidad Nacional de Cuyo. Instituto para las Tecnologías de la Informacion y las Comunicaciones; Argentina
XXI Simposio Argentino de Inteligencia Artificial (ASAI 2020) - JAIIO 49 (Modalidad virtual)
Buenos Aires
Argentina
Sociedad Argentina de Informática (SADIO)
Facultad de Ingeniería
Consejo Nacional de Investigaciones Científicas y Técnicas
Jornadas Argentinas de Informática e Investigación Operativa (JAIIO)
Asociación Argentina de Inteligencia Artificial (AAIA)
Materia
BIOINFORMÁTICA
SUPPORT VECTOR MACHINE
RETINPATIA DIABETICA
OPTIMIZACIÓNO
Nivel de accesibilidad
acceso abierto
Condiciones de uso
https://creativecommons.org/licenses/by-nc-sa/2.5/ar/
Repositorio
CONICET Digital (CONICET)
Institución
Consejo Nacional de Investigaciones Científicas y Técnicas
OAI Identificador
oai:ri.conicet.gov.ar:11336/155077
Acceder
id CONICETDig_18ed8ffff807ffd4c6b9aad5e13099fb
oai_identifier_str oai:ri.conicet.gov.ar:11336/155077
network_acronym_str CONICETDig
repository_id_str 3498
network_name_str CONICET Digital (CONICET)
spelling Optimización de Support Vector Machine mediante metaheurísticas para clasificación de retinopatia diabéticaRojas, Matias GabrielCarballido, Jessica AndreaOlivera, Ana CarolinaVidal, Pablo JavierBIOINFORMÁTICASUPPORT VECTOR MACHINERETINPATIA DIABETICAOPTIMIZACIÓNOhttps://purl.org/becyt/ford/1.2https://purl.org/becyt/ford/1La máquina de vectores de soporte (SVM, Support Vector Machine) es una técnica de clasificación de aprendizaje supervisado, ampliamente utilizada en diferentes campos de aplicación. SVM busca identificar el mejor hiperplano que permita lograr una separación clara entre un conjunto de datos. Desafortunadamente, el uso práctico de SVM está limitado por la calidad de la configuración de sus hiperparámetros, que tienen un impacto directo sobre su rendimiento en clasificación y generalización. Por lo tanto, es necesario desarrollar un enfoque efectivo y rápido para determinar los valores de estos hiperparámetros que lleven a una clasificación eficiente y confiable. Este trabajo presenta la evaluación de cuatro metaheurísticas, en la labor de optimizar los hiperparámetros de un SVM que utiliza un kernel Wavelet. Las evaluaciones se realizaron sobre un conjunto de datos relacionados a la enfermedad retinopatía diabética. A partir de los resultados del experimento, se puede concluir que el uso de técnicas metaheurísticas para optimizar los hiperparámetros puede ayudar a mejorar la capacidad de clasificación y generalización del SVMFil: Rojas, Matias Gabriel. Universidad Nacional de Cuyo. Instituto para las Tecnologías de la Informacion y las Comunicaciones; Argentina. Consejo Nacional de Investigaciones Científicas y Técnicas. Centro Científico Tecnológico Conicet - Mendoza; ArgentinaFil: Carballido, Jessica Andrea. Consejo Nacional de Investigaciones Científicas y Técnicas. Centro Científico Tecnológico Conicet - Mendoza; Argentina. Universidad Nacional del Sur. Departamento de Ciencias e Ingeniería de la Computación; ArgentinaFil: Olivera, Ana Carolina. Consejo Nacional de Investigaciones Científicas y Técnicas. Centro Científico Tecnológico Conicet - Mendoza; Argentina. Universidad Nacional de Cuyo. Instituto para las Tecnologías de la Informacion y las Comunicaciones; Argentina. Universidad Nacional de Cuyo. Facultad de Ingeniería; ArgentinaFil: Vidal, Pablo Javier. Consejo Nacional de Investigaciones Científicas y Técnicas. Centro Científico Tecnológico Conicet - Mendoza; Argentina. Universidad Nacional de Cuyo. Facultad de Ingeniería; Argentina. Universidad Nacional de Cuyo. Instituto para las Tecnologías de la Informacion y las Comunicaciones; ArgentinaXXI Simposio Argentino de Inteligencia Artificial (ASAI 2020) - JAIIO 49 (Modalidad virtual)Buenos AiresArgentinaSociedad Argentina de Informática (SADIO)Facultad de IngenieríaConsejo Nacional de Investigaciones Científicas y TécnicasJornadas Argentinas de Informática e Investigación Operativa (JAIIO)Asociación Argentina de Inteligencia Artificial (AAIA)Sociedad Argentina de InformáticaBeiro, Mariano GastónWachenchauzer, Rosa GracielaBellini Saibene, Yanina Noemí2020info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/conferenceObjectCongresoJournalhttp://purl.org/coar/resource_type/c_5794info:ar-repo/semantics/documentoDeConferenciaapplication/pdfapplication/pdfhttp://hdl.handle.net/11336/155077Optimización de Support Vector Machine mediante metaheurísticas para clasificación de retinopatia diabética; XXI Simposio Argentino de Inteligencia Artificial (ASAI 2020) - JAIIO 49 (Modalidad virtual); Buenos Aires; Argentina; 2020; 73-862451-7585CONICET DigitalCONICETspainfo:eu-repo/semantics/altIdentifier/url/https://49jaiio.sadio.org.ar/pdfs/asai/ASAI-06.pdfhttps://www.youtube.com/watch?v=HV0bttZM_VQInternacionalinfo:eu-repo/semantics/openAccesshttps://creativecommons.org/licenses/by-nc-sa/2.5/ar/reponame:CONICET Digital (CONICET)instname:Consejo Nacional de Investigaciones Científicas y Técnicas2025-10-15T14:51:41Zoai:ri.conicet.gov.ar:11336/155077instacron:CONICETInstitucionalhttp://ri.conicet.gov.ar/Organismo científico-tecnológicoNo correspondehttp://ri.conicet.gov.ar/oai/requestdasensio@conicet.gov.ar; lcarlino@conicet.gov.arArgentinaNo correspondeNo correspondeNo correspondeopendoar:34982025-10-15 14:51:41.61CONICET Digital (CONICET) - Consejo Nacional de Investigaciones Científicas y Técnicasfalse
dc.title.none.fl_str_mv Optimización de Support Vector Machine mediante metaheurísticas para clasificación de retinopatia diabética
title Optimización de Support Vector Machine mediante metaheurísticas para clasificación de retinopatia diabética
spellingShingle Optimización de Support Vector Machine mediante metaheurísticas para clasificación de retinopatia diabética
Rojas, Matias Gabriel
BIOINFORMÁTICA
SUPPORT VECTOR MACHINE
RETINPATIA DIABETICA
OPTIMIZACIÓNO
title_short Optimización de Support Vector Machine mediante metaheurísticas para clasificación de retinopatia diabética
title_full Optimización de Support Vector Machine mediante metaheurísticas para clasificación de retinopatia diabética
title_fullStr Optimización de Support Vector Machine mediante metaheurísticas para clasificación de retinopatia diabética
title_full_unstemmed Optimización de Support Vector Machine mediante metaheurísticas para clasificación de retinopatia diabética
title_sort Optimización de Support Vector Machine mediante metaheurísticas para clasificación de retinopatia diabética
dc.creator.none.fl_str_mv Rojas, Matias Gabriel
Carballido, Jessica Andrea
Olivera, Ana Carolina
Vidal, Pablo Javier
author Rojas, Matias Gabriel
author_facet Rojas, Matias Gabriel
Carballido, Jessica Andrea
Olivera, Ana Carolina
Vidal, Pablo Javier
author_role author
author2 Carballido, Jessica Andrea
Olivera, Ana Carolina
Vidal, Pablo Javier
author2_role author
author
author
dc.contributor.none.fl_str_mv Beiro, Mariano Gastón
Wachenchauzer, Rosa Graciela
Bellini Saibene, Yanina Noemí
dc.subject.none.fl_str_mv BIOINFORMÁTICA
SUPPORT VECTOR MACHINE
RETINPATIA DIABETICA
OPTIMIZACIÓNO
topic BIOINFORMÁTICA
SUPPORT VECTOR MACHINE
RETINPATIA DIABETICA
OPTIMIZACIÓNO
purl_subject.fl_str_mv https://purl.org/becyt/ford/1.2
https://purl.org/becyt/ford/1
dc.description.none.fl_txt_mv La máquina de vectores de soporte (SVM, Support Vector Machine) es una técnica de clasificación de aprendizaje supervisado, ampliamente utilizada en diferentes campos de aplicación. SVM busca identificar el mejor hiperplano que permita lograr una separación clara entre un conjunto de datos. Desafortunadamente, el uso práctico de SVM está limitado por la calidad de la configuración de sus hiperparámetros, que tienen un impacto directo sobre su rendimiento en clasificación y generalización. Por lo tanto, es necesario desarrollar un enfoque efectivo y rápido para determinar los valores de estos hiperparámetros que lleven a una clasificación eficiente y confiable. Este trabajo presenta la evaluación de cuatro metaheurísticas, en la labor de optimizar los hiperparámetros de un SVM que utiliza un kernel Wavelet. Las evaluaciones se realizaron sobre un conjunto de datos relacionados a la enfermedad retinopatía diabética. A partir de los resultados del experimento, se puede concluir que el uso de técnicas metaheurísticas para optimizar los hiperparámetros puede ayudar a mejorar la capacidad de clasificación y generalización del SVM
Fil: Rojas, Matias Gabriel. Universidad Nacional de Cuyo. Instituto para las Tecnologías de la Informacion y las Comunicaciones; Argentina. Consejo Nacional de Investigaciones Científicas y Técnicas. Centro Científico Tecnológico Conicet - Mendoza; Argentina
Fil: Carballido, Jessica Andrea. Consejo Nacional de Investigaciones Científicas y Técnicas. Centro Científico Tecnológico Conicet - Mendoza; Argentina. Universidad Nacional del Sur. Departamento de Ciencias e Ingeniería de la Computación; Argentina
Fil: Olivera, Ana Carolina. Consejo Nacional de Investigaciones Científicas y Técnicas. Centro Científico Tecnológico Conicet - Mendoza; Argentina. Universidad Nacional de Cuyo. Instituto para las Tecnologías de la Informacion y las Comunicaciones; Argentina. Universidad Nacional de Cuyo. Facultad de Ingeniería; Argentina
Fil: Vidal, Pablo Javier. Consejo Nacional de Investigaciones Científicas y Técnicas. Centro Científico Tecnológico Conicet - Mendoza; Argentina. Universidad Nacional de Cuyo. Facultad de Ingeniería; Argentina. Universidad Nacional de Cuyo. Instituto para las Tecnologías de la Informacion y las Comunicaciones; Argentina
XXI Simposio Argentino de Inteligencia Artificial (ASAI 2020) - JAIIO 49 (Modalidad virtual)
Buenos Aires
Argentina
Sociedad Argentina de Informática (SADIO)
Facultad de Ingeniería
Consejo Nacional de Investigaciones Científicas y Técnicas
Jornadas Argentinas de Informática e Investigación Operativa (JAIIO)
Asociación Argentina de Inteligencia Artificial (AAIA)
description La máquina de vectores de soporte (SVM, Support Vector Machine) es una técnica de clasificación de aprendizaje supervisado, ampliamente utilizada en diferentes campos de aplicación. SVM busca identificar el mejor hiperplano que permita lograr una separación clara entre un conjunto de datos. Desafortunadamente, el uso práctico de SVM está limitado por la calidad de la configuración de sus hiperparámetros, que tienen un impacto directo sobre su rendimiento en clasificación y generalización. Por lo tanto, es necesario desarrollar un enfoque efectivo y rápido para determinar los valores de estos hiperparámetros que lleven a una clasificación eficiente y confiable. Este trabajo presenta la evaluación de cuatro metaheurísticas, en la labor de optimizar los hiperparámetros de un SVM que utiliza un kernel Wavelet. Las evaluaciones se realizaron sobre un conjunto de datos relacionados a la enfermedad retinopatía diabética. A partir de los resultados del experimento, se puede concluir que el uso de técnicas metaheurísticas para optimizar los hiperparámetros puede ayudar a mejorar la capacidad de clasificación y generalización del SVM
publishDate 2020
dc.date.none.fl_str_mv 2020
dc.type.none.fl_str_mv info:eu-repo/semantics/publishedVersion
info:eu-repo/semantics/conferenceObject
Congreso
Journal
http://purl.org/coar/resource_type/c_5794
info:ar-repo/semantics/documentoDeConferencia
status_str publishedVersion
format conferenceObject
dc.identifier.none.fl_str_mv http://hdl.handle.net/11336/155077
Optimización de Support Vector Machine mediante metaheurísticas para clasificación de retinopatia diabética; XXI Simposio Argentino de Inteligencia Artificial (ASAI 2020) - JAIIO 49 (Modalidad virtual); Buenos Aires; Argentina; 2020; 73-86
2451-7585
CONICET Digital
CONICET
url http://hdl.handle.net/11336/155077
identifier_str_mv Optimización de Support Vector Machine mediante metaheurísticas para clasificación de retinopatia diabética; XXI Simposio Argentino de Inteligencia Artificial (ASAI 2020) - JAIIO 49 (Modalidad virtual); Buenos Aires; Argentina; 2020; 73-86
2451-7585
CONICET Digital
CONICET
dc.language.none.fl_str_mv spa
language spa
dc.relation.none.fl_str_mv info:eu-repo/semantics/altIdentifier/url/https://49jaiio.sadio.org.ar/pdfs/asai/ASAI-06.pdf
https://www.youtube.com/watch?v=HV0bttZM_VQ
dc.rights.none.fl_str_mv info:eu-repo/semantics/openAccess
https://creativecommons.org/licenses/by-nc-sa/2.5/ar/
eu_rights_str_mv openAccess
rights_invalid_str_mv https://creativecommons.org/licenses/by-nc-sa/2.5/ar/
dc.format.none.fl_str_mv application/pdf
application/pdf
dc.coverage.none.fl_str_mv Internacional
dc.publisher.none.fl_str_mv Sociedad Argentina de Informática
publisher.none.fl_str_mv Sociedad Argentina de Informática
dc.source.none.fl_str_mv reponame:CONICET Digital (CONICET)
instname:Consejo Nacional de Investigaciones Científicas y Técnicas
reponame_str CONICET Digital (CONICET)
collection CONICET Digital (CONICET)
instname_str Consejo Nacional de Investigaciones Científicas y Técnicas
repository.name.fl_str_mv CONICET Digital (CONICET) - Consejo Nacional de Investigaciones Científicas y Técnicas
repository.mail.fl_str_mv dasensio@conicet.gov.ar; lcarlino@conicet.gov.ar
_version_ 1846083043470606336
score 13.22299

Publicaciones similares