Máquinas de Vector Soporte Entrenadas con Algoritmos Evolutivos Empleando Kernel Adatron para Clasificación a Gran Escala.

Abstract

Con el incremento en el poder computacional, la cantidad de datos a ser procesados en pequeños periodos de tiempo ha crecido exponencialmente, esto junto con la importancia de clasificar datos a gran escala de manera eficiente. Las máquinas de vector soporte han generado buenos resultados al clasificar grandes cantidades de datos con alta dimensionalidad, tal como los datos generados por predicción de estructuras de proteínas, reconocimiento de correo basura, diagnosis médico, reconocimiento óptico de caracteres, clasificación de texto, etc. La mayoría de los enfoques del estado del arte para aprendizaje a gran escala usan métodos de optimización tradicionales, como programación cuadrática y gradiente descendente, lo que hace que el uso de algoritmos evolutivos para entrenar máquinas de vector soporte para clasificación a gran escala un área a ser explorada. La presente tesis propone un enfoque que resulta fácil de implementar, paralelizable y con una complejidad computacional lineal, basado en algoritmos evolutivos y Kernel-Adatron para resolver problemas de clasificación a gran escala.