⚡ SVM con sklearn

Estas son las notas de Luis sobre cómo usar las máquinas de vectores de soporte con scikit-learn: el ejemplo del libro con SVC, el truco del kernel para trazar fronteras curvas y la elección entre un kernel lineal y uno RBF para el problema de las ausencias.

El notebook interactivo incluye:

• El ejemplo del libro resuelto con SVC y el efecto de C (el $\lambda$ del libro) sobre el margen.
• El truco del kernel: datos que ninguna recta puede separar, la transformación explícita a 3D y los kernels lineal, polinómico y RBF.
• El parámetro gamma del kernel RBF, del subajuste al sobreajuste.
• GridSearchCV con validación cruzada estratificada de 5 grupos para elegir C y gamma con los datos de ausencias.
• Comparación final con la regresión logística (exactitud, sensibilidad, especificidad y AUC), incluido class_weight.
• Probabilidades calibradas con SVC(probability=True) para pacientes nuevos.

¿Quieres modificar el código y experimentar por tu cuenta?
Abre el notebook en Google Colab

Bibliografía

• Referencia de scikit-learn – SVC: Parámetros (kernel, C, gamma, class_weight, probability) y atributos como los vectores de soporte. https://scikit-learn.org/stable/modules/generated/sklearn.svm.SVC.html 🇬🇧 (en inglés)
• Guía de scikit-learn – Funciones kernel: Kernels lineal, polinómico, RBF y sigmoide. https://scikit-learn.org/stable/modules/svm.html#kernel-functions 🇬🇧 (en inglés)
• Ejemplo de scikit-learn – Parámetros de la SVM RBF: Cómo C y gamma dan forma a la frontera de decisión. https://scikit-learn.org/stable/auto_examples/svm/plot_rbf_parameters.html 🇬🇧 (en inglés)
• scikit-learn – Ajuste de hiperparámetros: GridSearchCV y la búsqueda con validación cruzada. https://scikit-learn.org/stable/modules/grid_search.html 🇬🇧 (en inglés)
• scikit-learn – Calibración de probabilidades: Cómo se convierten las puntuaciones en probabilidades. https://scikit-learn.org/stable/modules/calibration.html 🇬🇧 (en inglés)