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

Autores
Rojas, Matías G.; Carballido, Jessica Andrea; Olivera, Ana C.; Vidal, Pablo
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 retinopatia 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.
Sociedad Argentina de Informática
Materia
Ciencias Informáticas
Bioinformática
Support vector machines
Clasificación
Optimización
Metaheurísticas
Retinopatía Diabética
Nivel de accesibilidad
acceso abierto
Condiciones de uso
http://creativecommons.org/licenses/by-nc-sa/3.0/
Repositorio
SEDICI (UNLP)
Institución
Universidad Nacional de La Plata
OAI Identificador
oai:sedici.unlp.edu.ar:10915/116430
Acceder
id SEDICI_b1d268129570c98c31ed67025f833153
oai_identifier_str oai:sedici.unlp.edu.ar:10915/116430
network_acronym_str SEDICI
repository_id_str 1329
network_name_str SEDICI (UNLP)
spelling Optimización de Support Vector Machine mediante metaheurísticas para clasificación de retinopatia diabéticaRojas, Matías G.Carballido, Jessica AndreaOlivera, Ana C.Vidal, PabloCiencias InformáticasBioinformáticaSupport vector machinesClasificaciónOptimizaciónMetaheurísticasRetinopatía DiabéticaLa 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 retinopatia 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.Sociedad Argentina de Informática2020-10info:eu-repo/semantics/conferenceObjectinfo:eu-repo/semantics/publishedVersionObjeto de conferenciahttp://purl.org/coar/resource_type/c_5794info:ar-repo/semantics/documentoDeConferenciaapplication/pdf73-86http://sedici.unlp.edu.ar/handle/10915/116430spainfo:eu-repo/semantics/altIdentifier/url/http://49jaiio.sadio.org.ar/pdfs/asai/ASAI-06.pdfinfo:eu-repo/semantics/altIdentifier/issn/2451-7585info:eu-repo/semantics/openAccesshttp://creativecommons.org/licenses/by-nc-sa/3.0/Creative Commons Attribution-NonCommercial-ShareAlike 3.0 Unported (CC BY-NC-SA 3.0)reponame:SEDICI (UNLP)instname:Universidad Nacional de La Platainstacron:UNLP2025-09-03T10:59:23Zoai:sedici.unlp.edu.ar:10915/116430Institucionalhttp://sedici.unlp.edu.ar/Universidad públicaNo correspondehttp://sedici.unlp.edu.ar/oai/snrdalira@sedici.unlp.edu.arArgentinaNo correspondeNo correspondeNo correspondeopendoar:13292025-09-03 10:59:24.847SEDICI (UNLP) - Universidad Nacional de La Platafalse
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, Matías G.
Ciencias Informáticas
Bioinformática
Support vector machines
Clasificación
Optimización
Metaheurísticas
Retinopatía Diabética
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, Matías G.
Carballido, Jessica Andrea
Olivera, Ana C.
Vidal, Pablo
author Rojas, Matías G.
author_facet Rojas, Matías G.
Carballido, Jessica Andrea
Olivera, Ana C.
Vidal, Pablo
author_role author
author2 Carballido, Jessica Andrea
Olivera, Ana C.
Vidal, Pablo
author2_role author
author
author
dc.subject.none.fl_str_mv Ciencias Informáticas
Bioinformática
Support vector machines
Clasificación
Optimización
Metaheurísticas
Retinopatía Diabética
topic Ciencias Informáticas
Bioinformática
Support vector machines
Clasificación
Optimización
Metaheurísticas
Retinopatía Diabética
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 retinopatia 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.
Sociedad Argentina de Informática
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 retinopatia 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 2020-10
dc.type.none.fl_str_mv info:eu-repo/semantics/conferenceObject
info:eu-repo/semantics/publishedVersion
Objeto de conferencia
http://purl.org/coar/resource_type/c_5794
info:ar-repo/semantics/documentoDeConferencia
format conferenceObject
status_str publishedVersion
dc.identifier.none.fl_str_mv http://sedici.unlp.edu.ar/handle/10915/116430
url http://sedici.unlp.edu.ar/handle/10915/116430
dc.language.none.fl_str_mv spa
language spa
dc.relation.none.fl_str_mv info:eu-repo/semantics/altIdentifier/url/http://49jaiio.sadio.org.ar/pdfs/asai/ASAI-06.pdf
info:eu-repo/semantics/altIdentifier/issn/2451-7585
dc.rights.none.fl_str_mv info:eu-repo/semantics/openAccess
http://creativecommons.org/licenses/by-nc-sa/3.0/
Creative Commons Attribution-NonCommercial-ShareAlike 3.0 Unported (CC BY-NC-SA 3.0)
eu_rights_str_mv openAccess
rights_invalid_str_mv http://creativecommons.org/licenses/by-nc-sa/3.0/
Creative Commons Attribution-NonCommercial-ShareAlike 3.0 Unported (CC BY-NC-SA 3.0)
dc.format.none.fl_str_mv application/pdf
73-86
dc.source.none.fl_str_mv reponame:SEDICI (UNLP)
instname:Universidad Nacional de La Plata
instacron:UNLP
reponame_str SEDICI (UNLP)
collection SEDICI (UNLP)
instname_str Universidad Nacional de La Plata
instacron_str UNLP
institution UNLP
repository.name.fl_str_mv SEDICI (UNLP) - Universidad Nacional de La Plata
repository.mail.fl_str_mv alira@sedici.unlp.edu.ar
_version_ 1842260487676362752
score 13.13397

Publicaciones similares