Problemas con gran número de variables por muestra: motivación al enfoque kernel

Antonio Sala, UPV

Dificultad: *** ,       Relevancia: ,      Duración: 12:15

Resumen:

En este vídeo se motiva el por qué alguna literatura de Machine Learning utiliza con profusión lo que se denominan técnicas “Kernel”. En concreto, estas técnicas están indicadas cuando se dispone de pocas muestras (ejemplos de entrenamiento para ajustar un modelo) pero cada muestra contiene muchas “características” (features) que son bien medidas o bien calculadas a partir de medidas. Por ejemplo, podríamos tener que entreanr un sistema de reconocimiento de imágenes a partir de 50 ejemplos, teniendo cada ejemplo 1000 pixels de datos; podríamos tener información sobre 100 ejecuciones de una reacción química industrial (20 minutos de duración, 2000 medidas) y queremos sacar conclusiones sobre qué influye en la calidad del producto...

Este vídeo discute todas esas situaciones y esboza la idea principal (un “cambio de variable”) que se detallará en el vídeo [ktrick].

Colección completa [VER]:

• Anterior   Otros índices de coste para regresión: valor absoluto de error/parámetros (LP;QP)

• Siguiente Truco del Kernel (1): eliminación de espacio nulo, matriz de productos escalares