Reconocimiento de Patrones: Comparación entre Máquinas de Vectores de Soporte y Máquinas de Vectores de Relevancia

Abstract

Este trabajo trata de la comparación entre los clasificadores máquinas de vectores de soporte (support vector machines, SVM) y máquinas de vectores de relevancia (relevance vector machines, RVM). Dos conjuntos de datos generados a partir de la biblioteca numpy, uno definido previamente y otro generado de forma aleatoria. A partir de los conjuntos de datos se realiza el entrenamiento de los clasificadores, en SVM utilizando la clasificación de vectores de soporte (support vector classification, SVC) y en RVM utilizando el clasificador de vectores de relevancia de maximización de la expectativa (expectation-maximization relevance vector classifier, EMRVC), ambos probados con los siguientes kernels: RFB, polinomial, sigmoide y lineal. La principal contribución de este trabajo radica en la observación de las ventajas y desventajas del uso de cada clasificador. Dado que el modelo RVM es bayesiano, puede proporcionar propiedades a posteriori, sin embargo, cada clasificador tiene su uso específico.