📐 Hiperplano de Separación
En 2D es una recta, en 3D un plano, en n-dimensiones un hiperplano. SVM encuentra el que maximiza la distancia (margen) entre las dos clases. La ecuación es w·x + b = 0.
🔄 Kernel Trick
Proyecta los datos a un espacio de mayor dimensión donde sean separables linealmente. Kernels comunes: lineal, polinomial (grado d), RBF (radial) y sigmoide. El kernel RBF es el más usado.
🔓 Margen Blando (C)
Permite que algunos puntos queden del lado incorrecto del margen para evitar overfitting. El parámetro C controla la penalización: C alto → menos tolerancia (puede sobreajustar), C bajo → margen más amplio.
📈 SVR (Support Vector Regression)
Extensión de SVM para regresión. Busca un "tubo" de grosor ε alrededor de los datos. Los puntos fuera del tubo se penalizan. Útil para series de tiempo y datos con outliers.
Explora los conceptos con ejemplos practicos disponibles en la simulacion interactiva de este modulo.
Intuicion
El ML permite a las computadoras aprender patrones de los datos sin ser programadas explicitamente para cada tarea.
Formula clave
Cada algoritmo tiene una funcion de perdida que optimiza durante el entrenamiento.
Paso a paso
El proceso sigue pasos: datos, modelo, entrenamiento, evaluacion.
Error comun: Data leakage
Cuando informacion del test afecta al entrenamiento: validacion invalida.
Ejemplo concreto
Aplica ML a problemas reales de clasificacion y regresion.
Conexion
ML se construye sobre estadistica inferencial y predictiva.