Regularización y métodos Kernel para algoritmos de clasificación

Abstract

Este trabajo es el resultado de estudio de las técnicas de regularización y métodos Kernel empleados para algoritmos de clasificación. El método Mínimos Cuadrados Regularizados RLSC requiere la solución de un único problema de ecuaciones lineales, lo cual presenta ventajas en términos computacionales, eso hace que sea un método sencillo para realizar esta importante tarea. Este trabajo se enfoca en automatizar la selección de parámetros , tanto de regularización, como del Kernel, empleando Validación Cuadrada Generalizada GCV, para la versión lineal y no lineal de RLSC. Se evalúa la exactitud del clasificador y se compara con otros métodos bastante conocidos en la literatura, obteniendo resultados importantes en términos de desempeño y costo del algoritmo

This work is result of studying the regularization techniques and Kernel methods for classification algorithms. The Regularized Least Square method RLSC uses the solution of linear equations problem, which has advantages in computational terms, this makes it an easy way to perform this important task. This work focuses on the automatic selection of parameters, both regularization and the Kernel, using Generalized Cross Validation GCV for linear and non-linear version of RLSC. We evaluate the accuracy of the classifier and compared with other methods employ in the literature, obtaining significant results in terms of performance and cost of the algorithm.