Optimización de support vector machine mediante metaheurísticas para clasificación de retinopatia diabética

ROJAS MATIAS; OLIVERA ANA CAROLINA; CARBALLIDO JESSICA; PABLO VIDAL

Simposio; Simposio Argentino de Inteligencia Artificial de JAIIO; 2020

La m ́aquina de vectores de soporte (SVM,Support VectorMachine) es una t ́ecnica de clasificaci ́on de aprendizaje supervisado,ampliamente utilizada en diferentes campos de aplicaci ́on. SVM buscaidentificar el mejor hiperplano que permita lograr una separaci ́on claraentre un conjunto de datos. Desafortunadamente, el uso pr ́actico deSVM est ́a limitado por la calidad de la configuraci ́on de sushiperpar ́ametros, que tienen un impacto directo sobre su rendimientoen clasificaci ́on y generalizaci ́on. Por lo tanto, es necesario desarrollarun enfoque efectivo y r ́apido para determinar los valores de estoshiperpar ́ametros que lleven a una clasificaci ́on eficiente y confiable. Estetrabajo presenta la evaluaci ́on de cuatro metaheur ́ısticas, en la labor deoptimizar los hiperpar ́ametros de un SVM que utiliza un kernelWavelet. Las evaluaciones se realizaron sobre un conjunto de datosrelacionados a la enfermedad retinopat ́ıa diab ́etica. A partir de losresultados del experimento, se puede concluir que el uso de t ́ecnicasmetaheur ́ısticas para optimizar los hiperpar ́ametros puede ayudar amejorar la capacidad de clasificaci ́on y generalizaci ́on del SVM.