Resumen
Las máquinas de vectores de soporte (SVM) son esenciales para la clasificación en aprendizaje automático; sin embargo, su rendimiento depende en gran medida de la selección de hiperparámetros del Kernel Gaussiano. Los métodos de ajuste iterativo tradicionales, como la validación cruzada y las heurísticas, sufren de una alta complejidad computacional, lo que limita su aplicación en tiempo real bajo recursos limitados. Este estudio aborda estas limitaciones al proponer un marco geométrico-diferenciable para la selección analítica de parámetros basado en la separabilidad de clases. Al incorporar criterios de variación directa e inversa gobernados por un exponente de control no lineal, el enfoque propuesto permite ajustes instantáneos y en forma cerrada de los pesos de optimización. La escalabilidad algorítmica se validó utilizando el conjunto de datos de referencia a gran escala ijcnnl, logrando una reducción del 99.8% en el tiempo de selección de hiperparámetros en comparación con la Búsqueda en Cuadrícula (Grid Search) convencional. Además, se utilizó el conjunto de datos Statlog (German Credit Data) como un proxy analítico para simular evaluaciones de capacidad socioeconómica en entornos posteriores a una crisis. Los resultados muestran que los criterios analíticos propuestos mantienen una alta precisión de clasificación, alcanzando hasta el 98.8% en conjuntos de prueba. Esta optimización matemática resuelve el conflicto entre la velocidad computacional y la flexibilidad operativa, estableciendo un marco plausible y altamente eficiente para mejorar los sistemas de soporte a decisiones cuando la potencia de procesamiento es críticamente limitada.
| Idioma original | Inglés |
|---|---|
| Páginas (desde-hasta) | 209-223 |
| Número de páginas | 15 |
| Publicación | Issues in Information Systems |
| Volumen | 27 |
| N.º | 4 |
| DOI | |
| Estado | Publicada - 2026 |
ODS de las Naciones Unidas
Este resultado contribuye a los siguientes Objetivos de Desarrollo Sostenible
-
ODS 9: Industria, innovación e infraestructura
-
ODS 17: Alianzas para lograr los objetivos
Palabras clave
- Máquina de Vectores de Soporte
- Kernel Gaussiano
- Humanitario
- Logística
Citar esto
- APA
- Author
- BIBTEX
- Harvard
- Standard
- RIS
- Vancouver