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

Abstract

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