¿Qué son las máquinas de vectores de soporte (SVM)?

Una máquina de vectores de soporte (o máquina de soporte de vectores, SVM por sus siglas en inglés Support-Vector Machine) es un modelo de machine learning supervisado que se usa para separar datos en clases o para hacer predicciones.

Básicamente, intenta trazar una “frontera” (un hiperplano) entre dos grupos de datos de tal forma que la distancia entre ese plano y los puntos más cercanos de cada clase sea lo más grande posible. Eso hace que su decisión sea más sólida frente a datos nuevos.

Si te interesa especializarte en esta área, la Maestría en Inteligencia Artificial de UNIR te dará las herramientas para entender a fondo modelos como las SVM. A continuación vamos a profundizar en qué es SVM y sus aplicaciones para tenerlo más claro.

Principio básico: margen máximo y separación óptima

Una máquina de vectores de soporte (SVM) es “un algoritmo de aprendizaje automático supervisado que se utiliza habitualmente para tareas de clasificación. Las SVM construyen un hiperplano o un conjunto de hiperplanos en un espacio de alta dimensión que separa las diferentes clases. Se consigue una buena separación mediante el hiperplano que tiene el mayor margen, es decir, la distancia máxima entre los puntos de datos de las diferentes clases”, según la web Medium. Y el corazón de una máquina de soporte de vectores es la idea del “margen máximo”.
¹
Fuente: Rishabh Singh. Support Vector Machines (SVM)

Imagina que tienes canicas rojas y azules en una mesa y quieres separarlas con un tablón. La SVM no pone cualquier tablón: busca el que deje el mayor espacio entre las canicas más cercanas de cada color. Ese espacio grande es el margen máximo, y garantiza que la separación sea óptima, es decir, la mejor forma de dividir los grupos para no confundir canicas nuevas. Solo unas pocas canicas cercanas al tablón deciden realmente dónde se coloca: esas son los vectores de soporte, y la SVM se apoya en estos puntos clave para trazar la línea de separación, haciendo que el modelo funcione correctamente incluso con datos que nunca ha visto.

Funciones Kernel y separación no lineal

A veces los datos no se pueden separar con una sola línea recta. Para graficarlo mejor, volvamos al ejemplo de las canicas. Imagina ahora que las canicas rojas están formando un círculo y las azules alrededor de ese círculo. Si intentas usar un tablón recto, no hay manera de separar los grupos correctamente.

Aquí es donde entran las funciones kernel. Estas funciones pasan los datos a un espacio diferente, donde ahora sí se puede poner un hiperplano o línea que los separe, incluso cuando la separación es no lineal. Esto permite que la máquina de vector soporte funcione correctamente aunque los datos parezcan imposibles de dividir a simple vista.

Hay varios tipos de kernel: por ejemplo, c. La elección depende del problema y de cómo se relacionan tus datos. Gracias a estas funciones clave para el funcionamiento de SVM, la máquina de vectores de soporte puede encontrar la separación óptima incluso en problemas complejos donde una separación simple no es posible en el espacio original.

SVM para clasificación y regresión (SVR)

Las SVM no solo sirven para clasificación, sino también para regresión:

• En clasificación, el soporte para SVM busca un hiperplano que divida los datos en dos clases (o más), maximizando el margen entre ellas. Este es el uso más común de la máquina de vectores de soporte.

• La regresión de vectores de soporte (SVR) es “una extensión de las SVM, que se aplica a problemas de regresión (es decir, el resultado es continuo). Al igual que las SVM lineales, la SVR busca un hiperplano con el máximo margen entre los puntos de datos y se utiliza normalmente para la predicción de series temporales”, según lo define IBM.²

Aplicaciones destacadas de SVM

Las máquinas de vectores de soporte se usan en muchos escenarios donde necesitas clasificar datos o hacer predicciones robustas. Algunas aplicaciones frecuentes son:

• En correos electrónicos para detectar spam, separando los mensajes buenos en bandeja de entrada o en “no deseados”.
• En reconocimiento de imágenes, sirve para identificar objetos como caras, autos o animales en fotos.
• En diagnóstico médico, colaborando en la distinción entre hallazgos normales o anormales durante los análisis clínicos.
• En finanzas, es muy útil para pronosticar los riesgos de crédito o identificar fraudes.
• En redes sociales o buscadores, los SVM pueden ayudar a recomendar contenido según tus preferencias, clasificando qué publicaciones mostrar primero.

Gracias a estas aplicaciones, la máquina de soporte de vectores demuestra ser una herramienta muy versátil del machine learning, útil tanto en empresas como en servicios que usamos todos los días.

En resumen, las máquinas de vectores de soporte (SVM) son modelos muy potentes de machine learning: separan datos con márgenes amplios, usan funciones kernel para adaptarse a casos no lineales y también pueden usarse para regresión (SVR).

Referencias bibliográficas:

¹ Rishabh Singh, Support Vector Machines (SVM) – https://medium.com/@RobuRishabh/support-vector-machines-svm-27cd45b74fbb

² IBM, ¿Qué son las máquinas de vectores de soporte (SVM)? – https://www.ibm.com/es-es/think/topics/support-vector-machine