B. Martín Barragán, R. Lillo, J. Romo

Las máquinas de vector de apoyo, Support Vector Machines (SVM), han demostrado ser una técnica no paramétrica muy poderosa para clasificación de datos de alta dimensión. Cuando aplicamos directamente SVM a los datos funcionales, por ejemplo discretizándolos en una rejilla, y representamos los coeficientes como una función, ésta puede tener un comportamiento muy errático, con muchas subidas y bajadas, que dificulte su interpretación. Es preferible que dicha función tenga alguna propiedad. Por ejemplo, si la función obtenida es casi siempre cero, y distinta de cero en unos pocos puntos, esos pocos puntos son puntos relevantes en la clasificación. Si esa función es suave, uno puede visualizar cómo, al recorrer el intervalo en una u otra dirección, unas zonas se van haciendo más relevantes que otras. En definitiva, uno puede interpretar el clasificador. En este trabajo proopne un método, basado en SVM, capaz de tener en cuenta las propiedades de interpretabilidad deseadas.

Palabras clave: máquinas de vector de apoyo análisis de datos funcionales clasificación minería de datos

M. C. Aguilera Morillo, A. M. Aguilera del Pino, M. J. Valderrama Bonnet

C. Sguera, P. Galeano San Miguel, R. Lillo

M. Escabias Machuca, M. J. Valderrama Bonnet, M. E. Santofimia, A. M. Aguilera del Pino, M. C. Aguilera Morillo