Support Vector Machine Classifier (SVM) 25/02/26, 11:04 a.m.

Support Vector Machine Classifier

(SVM)
Obed Ramírez Ramírez
2023-05-17
Índice

1. Definición y objetivo del algoritmo

2. Aplicaciones del algoritmo

3. Ventajas y Desventajas

4. Cálculos necesarios para su funcionamiento

5. Tipos Variantes del Algoritmo

6. Definición del problema a implementar

7. Dataset utilizado o definir código de generación

8. Código comentado y explicado

9. Gráficas

10. Pruebas y ejemplos con modificaciones de parámetros o dataset

Definición y objetivo del algoritmo

El algoritmo SVM (Support Vector Machine) es un modelo de aprendizaje automático supervisado utilizado
tanto para tareas de clasificación como para regresión. El objetivo principal del SVM es encontrar el
hiperplano óptimo que mejor separe los puntos de datos en diferentes clases.

La definición del algoritmo SVM implica el uso de un enfoque geométrico en lugar de un enfoque
probabilístico. El algoritmo busca un hiperplano en un espacio de alta dimensión que pueda dividir de manera
óptima los puntos de datos en diferentes clases. Un hiperplano es una generalización de un plano en
espacios de dimensiones superiores. En un problema de clasificación binaria, el hiperplano divide el espacio
en dos regiones, una para cada clase, de manera que los puntos de datos de cada clase estén en lados
opuestos del hiperplano.

El objetivo del algoritmo SVM es encontrar el hiperplano que maximice el margen, que se define como la
distancia entre el hiperplano y los puntos de datos más cercanos de cada clase. Estos puntos de datos más
cercanos se llaman vectores de soporte, de ahí el nombre “Support Vector Machine”.

[Link] Página 1 de 19
Support Vector Machine Classifier (SVM) 25/02/26, 11:04 a.m.

Además de la separación lineal, el SVM puede utilizar una función de kernel para mapear los datos a un
espacio de características de mayor dimensión, lo que permite separaciones no lineales. Al usar funciones de
kernel, el SVM puede manejar conjuntos de datos que no son linealmente separables en el espacio original.

Aplicaciones del algoritmo

Clasificación de textos: El SVM se utiliza en tareas de clasificación de documentos, como la detección de
spam, análisis de sentimientos, clasificación de noticias y filtrado de contenido.

Reconocimiento de escritura a mano: El SVM se utiliza en sistemas de reconocimiento de escritura a mano,

donde puede clasificar y reconocer dígitos o caracteres escritos a mano.

Bioinformática: El SVM se utiliza en el análisis de secuencias genéticas para clasificar y predecir la función de
proteínas, identificar genes y reconocer patrones en datos biológicos.

Detección de fraudes: El SVM se utiliza en sistemas de detección de fraudes en transacciones financieras,

donde puede clasificar transacciones como legítimas o fraudulentas.

Diagnóstico médico: El SVM se utiliza en aplicaciones médicas para clasificar y diagnosticar enfermedades,
como la detección de cáncer, enfermedades cardíacas y diagnóstico de trastornos neurológicos.

Reconocimiento facial: El SVM se utiliza en sistemas de reconocimiento facial para clasificar y reconocer
caras en imágenes o videos.

Análisis de mercado financiero: El SVM se utiliza en la predicción de tendencias y análisis de mercado

financiero para clasificar y predecir movimientos en los precios de las acciones, clasificar clientes en grupos
de inversión, entre otros.

Reconocimiento de objetos: El SVM se utiliza en sistemas de visión por computadora para clasificar y
reconocer objetos en imágenes o videos.

Detección de intrusiones en redes: El SVM se utiliza en sistemas de seguridad informática para clasificar y
detectar actividades maliciosas o intrusiones en redes.

Análisis de imágenes médicas: El SVM se utiliza en el análisis de imágenes médicas, como la clasificación de
tejidos en imágenes de resonancia magnética (RM) o tomografía computarizada (TC), y la detección de
anomalías.

Ventajas de SVM
Eficacia en espacios de alta dimensión: El SVM funciona bien incluso en conjuntos de datos con muchas
características (dimensionalidad alta). Puede manejar eficazmente problemas en los que el número de
características es mucho mayor que el número de muestras.

Buen rendimiento en conjuntos de datos pequeños: A diferencia de algunos otros algoritmos de aprendizaje
automático, el SVM puede obtener buenos resultados incluso con conjuntos de datos pequeños. Esto se
debe a su capacidad para encontrar el hiperplano óptimo que mejor separa las clases utilizando los vectores

[Link] Página 2 de 19
Support Vector Machine Classifier (SVM) 25/02/26, 11:04 a.m.

de soporte.

Generalización sólida: El SVM busca maximizar el margen entre las clases, lo que tiende a producir un modelo
con una buena capacidad de generalización. Esto significa que el modelo SVM tiene una menor probabilidad
de sobreajustarse a los datos de entrenamiento y puede hacer predicciones precisas en datos no vistos.

Manejo de características no lineales: El SVM puede utilizar funciones de kernel para mapear los datos a
espacios de características de mayor dimensión, lo que permite manejar problemas de clasificación no
lineales. Esto significa que el SVM puede capturar relaciones complejas entre características y producir
fronteras de decisión más flexibles.

Tolerancia a ruido: El SVM es menos sensible al ruido en los datos de entrenamiento debido a la utilización de
los vectores de soporte. Los vectores de soporte se encuentran cerca de la frontera de decisión y tienen un
mayor impacto en la definición del hiperplano, mientras que los puntos de datos alejados o ruidosos tienen un
impacto menor.

Desventajas de SVM
Sensibilidad al escalado de datos: El SVM es sensible al escalado de características. Si las características en
el conjunto de datos tienen escalas muy diferentes, es necesario aplicar una normalización o estandarización
de los datos antes de entrenar el modelo SVM. El no realizar este escalado adecuado puede afectar el
rendimiento y la precisión del modelo.

Dificultad en conjuntos de datos grandes: A medida que el tamaño del conjunto de datos aumenta, el tiempo
de entrenamiento del SVM también puede incrementarse considerablemente. El SVM puede volverse
computacionalmente costoso y requerir una cantidad significativa de memoria cuando se trabaja con grandes
conjuntos de datos. Esto puede limitar su aplicabilidad en casos donde el tiempo de entrenamiento es un
factor crítico.

Selección de parámetros crítica: El SVM tiene varios parámetros que deben ser seleccionados
adecuadamente para obtener un buen rendimiento. Por ejemplo, la elección del kernel y los parámetros de
regularización puede afectar significativamente los resultados. La selección de estos parámetros puede
requerir conocimientos expertos o la realización de técnicas de búsqueda exhaustiva, lo que puede aumentar
la complejidad del proceso de ajuste del modelo.

Cálculos necesarios
El algoritmo SVM (Support Vector Machine) implica varios cálculos necesarios durante su entrenamiento y
predicción. A continuación se mencionan algunos de los cálculos clave involucrados en el SVM:

Cálculo del margen: Durante el entrenamiento del SVM, se busca encontrar el hiperplano que maximice el
margen entre las clases. El margen se calcula como la distancia perpendicular desde el hiperplano a los
vectores de soporte más cercanos. Esto implica cálculos de distancia y proyecciones vectoriales. Cálculo de
los coeficientes de Lagrange: En el SVM, se utiliza la formulación del problema de optimización cuadrática

[Link] Página 3 de 19
Support Vector Machine Classifier (SVM) 25/02/26, 11:04 a.m.

con restricciones. Se deben calcular los coeficientes de Lagrange (alfa) que corresponden a los vectores de
soporte y que determinan la posición y el peso de los vectores de soporte en la definición del hiperplano
óptimo.

Cálculo de la función objetivo: Durante el entrenamiento del SVM, se busca minimizar la función objetivo que
consta de dos componentes: el término de regularización y el término de pérdida, que depende de la
clasificación correcta de los vectores de entrenamiento. El cálculo de esta función objetivo implica el uso de
los coeficientes de Lagrange y la aplicación de la función de kernel si se utiliza.

Cálculo del kernel: Si se utiliza una función de kernel, como el kernel lineal, polinomial o RBF, se deben
realizar los cálculos correspondientes para transformar los datos de entrada a un espacio de características
de mayor dimensión. El cálculo del kernel implica la evaluación de pares de vectores de características y
puede requerir cálculos de productos internos o similares.

Cálculo de predicciones: Una vez que el SVM está entrenado, se puede utilizar para hacer predicciones en
nuevos datos. Esto implica calcular la función de decisión del SVM para determinar la clase a la que
pertenecen los nuevos puntos de datos. El cálculo de la función de decisión implica la combinación de los
coeficientes de Lagrange, los vectores de soporte y la función de kernel si corresponde.

Tipos Variantes del Algoritmo

El algoritmo SVM (Support Vector Machine) tiene varias variantes y extensiones que se han desarrollado a lo
largo del tiempo para abordar diferentes desafíos y aplicaciones. Algunas de las variantes y extensiones más
comunes del SVM incluyen:

SVM lineal: Es la forma básica del SVM, donde se utiliza un hiperplano lineal para separar las clases en el
espacio de características. Es adecuado para problemas de clasificación linealmente separables.

SVM no lineal: Para problemas de clasificación no lineal, se utilizan funciones de kernel para mapear los datos
a un espacio de características de mayor dimensión. Esto permite encontrar hiperplanos no lineales en el
espacio transformado.

SVM con kernel radial (RBF): Es una forma común de SVM no lineal que utiliza la función de kernel radial
basis function (RBF). La función RBF permite capturar relaciones no lineales y es ampliamente utilizada en
problemas de clasificación.

SVM con kernel polinomial: Otra opción para SVM no lineal es el uso de un kernel polinomial. El kernel
polinomial mapea los datos a un espacio de características de mayor dimensión utilizando una función
polinomial, lo que permite encontrar hiperplanos no lineales.

SVM con kernel sigmoide: El kernel sigmoide es otra opción de función de kernel utilizada en el SVM. Aunque
es menos común que el kernel RBF o el polinomial, puede ser útil en ciertos casos.

Definición del problema a implementar

[Link] Página 4 de 19
Support Vector Machine Classifier (SVM) 25/02/26, 11:04 a.m.

Con este dataset muestra observaciones de usuarios de redes sociales que vieron anuncios y dice que
usuarios compraron al ver el anuncio y cuáles.

Además contiene información como la edad, el género y salario, por lo que en base a ello se puede tomar
decisiones sobre que usuarios son más compradores.

Dataset utilizado o definir código de generación

## Se establece como directorio de trabajo el directorio del script
setwd(dirname(rstudioapi::getSourceEditorContext()$path))

# Importar el dataset
dataset = [Link]('Social_Network_Ads.csv')

#Vista del dataset

dataset

## [Link] Gender Age EstimatedSalary Purchased

## 1 15624510 Male 19 19000 0
## 2 15810944 Male 35 20000 0
## 3 15668575 Female 26 43000 0
## 4 15603246 Female 27 57000 0
## 5 15804002 Male 19 76000 0
## 6 15728773 Male 27 58000 0
## 7 15598044 Female 27 84000 0
## 8 15694829 Female 32 150000 1
## 9 15600575 Male 25 33000 0
## 10 15727311 Female 35 65000 0
## 11 15570769 Female 26 80000 0
## 12 15606274 Female 26 52000 0
## 13 15746139 Male 20 86000 0
## 14 15704987 Male 32 18000 0
## 15 15628972 Male 18 82000 0
## 16 15697686 Male 29 80000 0
## 17 15733883 Male 47 25000 1
## 18 15617482 Male 45 26000 1
## 19 15704583 Male 46 28000 1
## 20 15621083 Female 48 29000 1
## 21 15649487 Male 45 22000 1
## 22 15736760 Female 47 49000 1
## 23 15714658 Male 48 41000 1
## 24 15599081 Female 45 22000 1
## 25 15705113 Male 46 23000 1
## 26 15631159 Male 47 20000 1
## 27 15792818 Male 49 28000 1

[Link] Página 5 de 19
Support Vector Machine Classifier (SVM) 25/02/26, 11:04 a.m.

## 28 15633531 Female 47 30000 1

## 29 15744529 Male 29 43000 0
## 30 15669656 Male 31 18000 0
## 31 15581198 Male 31 74000 0
## 32 15729054 Female 27 137000 1
## 33 15573452 Female 21 16000 0
## 34 15776733 Female 28 44000 0
## 35 15724858 Male 27 90000 0
## 36 15713144 Male 35 27000 0
## 37 15690188 Female 33 28000 0
## 38 15689425 Male 30 49000 0
## 39 15671766 Female 26 72000 0
## 40 15782806 Female 27 31000 0
## 41 15764419 Female 27 17000 0
## 42 15591915 Female 33 51000 0
## 43 15772798 Male 35 108000 0
## 44 15792008 Male 30 15000 0
## 45 15715541 Female 28 84000 0
## 46 15639277 Male 23 20000 0
## 47 15798850 Male 25 79000 0
## 48 15776348 Female 27 54000 0
## 49 15727696 Male 30 135000 1
## 50 15793813 Female 31 89000 0
## 51 15694395 Female 24 32000 0
## 52 15764195 Female 18 44000 0
## 53 15744919 Female 29 83000 0
## 54 15671655 Female 35 23000 0
## 55 15654901 Female 27 58000 0
## 56 15649136 Female 24 55000 0
## 57 15775562 Female 23 48000 0
## 58 15807481 Male 28 79000 0
## 59 15642885 Male 22 18000 0
## 60 15789109 Female 32 117000 0
## 61 15814004 Male 27 20000 0
## 62 15673619 Male 25 87000 0
## 63 15595135 Female 23 66000 0
## 64 15583681 Male 32 120000 1
## 65 15605000 Female 59 83000 0
## 66 15718071 Male 24 58000 0
## 67 15679760 Male 24 19000 0
## 68 15654574 Female 23 82000 0
## 69 15577178 Female 22 63000 0
## 70 15595324 Female 31 68000 0
## 71 15756932 Male 25 80000 0
## 72 15726358 Female 24 27000 0
## 73 15595228 Female 20 23000 0
## 74 15782530 Female 33 113000 0

[Link] Página 6 de 19
Support Vector Machine Classifier (SVM) 25/02/26, 11:04 a.m.

## 75 15592877 Male 32 18000 0

## 76 15651983 Male 34 112000 1
## 77 15746737 Male 18 52000 0
## 78 15774179 Female 22 27000 0
## 79 15667265 Female 28 87000 0
## 80 15655123 Female 26 17000 0
## 81 15595917 Male 30 80000 0
## 82 15668385 Male 39 42000 0
## 83 15709476 Male 20 49000 0
## 84 15711218 Male 35 88000 0
## 85 15798659 Female 30 62000 0
## 86 15663939 Female 31 118000 1
## 87 15694946 Male 24 55000 0
## 88 15631912 Female 28 85000 0
## 89 15768816 Male 26 81000 0
## 90 15682268 Male 35 50000 0
## 91 15684801 Male 22 81000 0
## 92 15636428 Female 30 116000 0
## 93 15809823 Male 26 15000 0
## 94 15699284 Female 29 28000 0
## 95 15786993 Female 29 83000 0
## 96 15709441 Female 35 44000 0
## 97 15710257 Female 35 25000 0
## 98 15582492 Male 28 123000 1
## 99 15575694 Male 35 73000 0
## 100 15756820 Female 28 37000 0
## 101 15766289 Male 27 88000 0
## 102 15593014 Male 28 59000 0
## 103 15584545 Female 32 86000 0
## 104 15675949 Female 33 149000 1
## 105 15672091 Female 19 21000 0
## 106 15801658 Male 21 72000 0
## 107 15706185 Female 26 35000 0
## 108 15789863 Male 27 89000 0
## 109 15720943 Male 26 86000 0
## 110 15697997 Female 38 80000 0
## 111 15665416 Female 39 71000 0
## 112 15660200 Female 37 71000 0
## 113 15619653 Male 38 61000 0
## 114 15773447 Male 37 55000 0
## 115 15739160 Male 42 80000 0
## 116 15689237 Male 40 57000 0
## 117 15679297 Male 35 75000 0
## 118 15591433 Male 36 52000 0
## 119 15642725 Male 40 59000 0
## 120 15701962 Male 41 59000 0
## 121 15811613 Female 36 75000 0

[Link] Página 7 de 19
Support Vector Machine Classifier (SVM) 25/02/26, 11:04 a.m.

## 122 15741049 Male 37 72000 0

## 123 15724423 Female 40 75000 0
## 124 15574305 Male 35 53000 0
## 125 15678168 Female 41 51000 0
## 126 15697020 Female 39 61000 0
## 127 15610801 Male 42 65000 0
## 128 15745232 Male 26 32000 0
## 129 15722758 Male 30 17000 0
## 130 15792102 Female 26 84000 0
## 131 15675185 Male 31 58000 0
## 132 15801247 Male 33 31000 0
## 133 15725660 Male 30 87000 0
## 134 15638963 Female 21 68000 0
## 135 15800061 Female 28 55000 0
## 136 15578006 Male 23 63000 0
## 137 15668504 Female 20 82000 0
## 138 15687491 Male 30 107000 1
## 139 15610403 Female 28 59000 0
## 140 15741094 Male 19 25000 0
## 141 15807909 Male 19 85000 0
## 142 15666141 Female 18 68000 0
## 143 15617134 Male 35 59000 0
## 144 15783029 Male 30 89000 0
## 145 15622833 Female 34 25000 0
## 146 15746422 Female 24 89000 0
## 147 15750839 Female 27 96000 1
## 148 15749130 Female 41 30000 0
## 149 15779862 Male 29 61000 0
## 150 15767871 Male 20 74000 0
## 151 15679651 Female 26 15000 0
## 152 15576219 Male 41 45000 0
## 153 15699247 Male 31 76000 0
## 154 15619087 Female 36 50000 0
## 155 15605327 Male 40 47000 0
## 156 15610140 Female 31 15000 0
## 157 15791174 Male 46 59000 0
## 158 15602373 Male 29 75000 0
## 159 15762605 Male 26 30000 0
## 160 15598840 Female 32 135000 1
## 161 15744279 Male 32 100000 1
## 162 15670619 Male 25 90000 0
## 163 15599533 Female 37 33000 0
## 164 15757837 Male 35 38000 0
## 165 15697574 Female 33 69000 0
## 166 15578738 Female 18 86000 0
## 167 15762228 Female 22 55000 0
## 168 15614827 Female 35 71000 0

[Link] Página 8 de 19
Support Vector Machine Classifier (SVM) 25/02/26, 11:04 a.m.

## 169 15789815 Male 29 148000 1

## 170 15579781 Female 29 47000 0
## 171 15587013 Male 21 88000 0
## 172 15570932 Male 34 115000 0
## 173 15794661 Female 26 118000 0
## 174 15581654 Female 34 43000 0
## 175 15644296 Female 34 72000 0
## 176 15614420 Female 23 28000 0
## 177 15609653 Female 35 47000 0
## 178 15594577 Male 25 22000 0
## 179 15584114 Male 24 23000 0
## 180 15673367 Female 31 34000 0
## 181 15685576 Male 26 16000 0
## 182 15774727 Female 31 71000 0
## 183 15694288 Female 32 117000 1
## 184 15603319 Male 33 43000 0
## 185 15759066 Female 33 60000 0
## 186 15814816 Male 31 66000 0
## 187 15724402 Female 20 82000 0
## 188 15571059 Female 33 41000 0
## 189 15674206 Male 35 72000 0
## 190 15715160 Male 28 32000 0
## 191 15730448 Male 24 84000 0
## 192 15662067 Female 19 26000 0
## 193 15779581 Male 29 43000 0
## 194 15662901 Male 19 70000 0
## 195 15689751 Male 28 89000 0
## 196 15667742 Male 34 43000 0
## 197 15738448 Female 30 79000 0
## 198 15680243 Female 20 36000 0
## 199 15745083 Male 26 80000 0
## 200 15708228 Male 35 22000 0
## 201 15628523 Male 35 39000 0
## 202 15708196 Male 49 74000 0
## 203 15735549 Female 39 134000 1
## 204 15809347 Female 41 71000 0
## 205 15660866 Female 58 101000 1
## 206 15766609 Female 47 47000 0
## 207 15654230 Female 55 130000 1
## 208 15794566 Female 52 114000 0
## 209 15800890 Female 40 142000 1
## 210 15697424 Female 46 22000 0
## 211 15724536 Female 48 96000 1
## 212 15735878 Male 52 150000 1
## 213 15707596 Female 59 42000 0
## 214 15657163 Male 35 58000 0
## 215 15622478 Male 47 43000 0

[Link] Página 9 de 19
Support Vector Machine Classifier (SVM) 25/02/26, 11:04 a.m.

## 216 15779529 Female 60 108000 1

## 217 15636023 Male 49 65000 0
## 218 15582066 Male 40 78000 0
## 219 15666675 Female 46 96000 0
## 220 15732987 Male 59 143000 1
## 221 15789432 Female 41 80000 0
## 222 15663161 Male 35 91000 1
## 223 15694879 Male 37 144000 1
## 224 15593715 Male 60 102000 1
## 225 15575002 Female 35 60000 0
## 226 15622171 Male 37 53000 0
## 227 15795224 Female 36 126000 1
## 228 15685346 Male 56 133000 1
## 229 15691808 Female 40 72000 0
## 230 15721007 Female 42 80000 1
## 231 15794253 Female 35 147000 1
## 232 15694453 Male 39 42000 0
## 233 15813113 Male 40 107000 1
## 234 15614187 Male 49 86000 1
## 235 15619407 Female 38 112000 0
## 236 15646227 Male 46 79000 1
## 237 15660541 Male 40 57000 0
## 238 15753874 Female 37 80000 0
## 239 15617877 Female 46 82000 0
## 240 15772073 Female 53 143000 1
## 241 15701537 Male 42 149000 1
## 242 15736228 Male 38 59000 0
## 243 15780572 Female 50 88000 1
## 244 15769596 Female 56 104000 1
## 245 15586996 Female 41 72000 0
## 246 15722061 Female 51 146000 1
## 247 15638003 Female 35 50000 0
## 248 15775590 Female 57 122000 1
## 249 15730688 Male 41 52000 0
## 250 15753102 Female 35 97000 1
## 251 15810075 Female 44 39000 0
## 252 15723373 Male 37 52000 0
## 253 15795298 Female 48 134000 1
## 254 15584320 Female 37 146000 1
## 255 15724161 Female 50 44000 0
## 256 15750056 Female 52 90000 1
## 257 15609637 Female 41 72000 0
## 258 15794493 Male 40 57000 0
## 259 15569641 Female 58 95000 1
## 260 15815236 Female 45 131000 1
## 261 15811177 Female 35 77000 0
## 262 15680587 Male 36 144000 1

[Link] Página 10 de 19
Support Vector Machine Classifier (SVM) 25/02/26, 11:04 a.m.

## 263 15672821 Female 55 125000 1

## 264 15767681 Female 35 72000 0
## 265 15600379 Male 48 90000 1
## 266 15801336 Female 42 108000 1
## 267 15721592 Male 40 75000 0
## 268 15581282 Male 37 74000 0
## 269 15746203 Female 47 144000 1
## 270 15583137 Male 40 61000 0
## 271 15680752 Female 43 133000 0
## 272 15688172 Female 59 76000 1
## 273 15791373 Male 60 42000 1
## 274 15589449 Male 39 106000 1
## 275 15692819 Female 57 26000 1
## 276 15727467 Male 57 74000 1
## 277 15734312 Male 38 71000 0
## 278 15764604 Male 49 88000 1
## 279 15613014 Female 52 38000 1
## 280 15759684 Female 50 36000 1
## 281 15609669 Female 59 88000 1
## 282 15685536 Male 35 61000 0
## 283 15750447 Male 37 70000 1
## 284 15663249 Female 52 21000 1
## 285 15638646 Male 48 141000 0
## 286 15734161 Female 37 93000 1
## 287 15631070 Female 37 62000 0
## 288 15761950 Female 48 138000 1
## 289 15649668 Male 41 79000 0
## 290 15713912 Female 37 78000 1
## 291 15586757 Male 39 134000 1
## 292 15596522 Male 49 89000 1
## 293 15625395 Male 55 39000 1
## 294 15760570 Male 37 77000 0
## 295 15566689 Female 35 57000 0
## 296 15725794 Female 36 63000 0
## 297 15673539 Male 42 73000 1
## 298 15705298 Female 43 112000 1
## 299 15675791 Male 45 79000 0
## 300 15747043 Male 46 117000 1
## 301 15736397 Female 58 38000 1
## 302 15678201 Male 48 74000 1
## 303 15720745 Female 37 137000 1
## 304 15637593 Male 37 79000 1
## 305 15598070 Female 40 60000 0
## 306 15787550 Male 42 54000 0
## 307 15603942 Female 51 134000 0
## 308 15733973 Female 47 113000 1
## 309 15596761 Male 36 125000 1

[Link] Página 11 de 19
Support Vector Machine Classifier (SVM) 25/02/26, 11:04 a.m.

## 310 15652400 Female 38 50000 0

## 311 15717893 Female 42 70000 0
## 312 15622585 Male 39 96000 1
## 313 15733964 Female 38 50000 0
## 314 15753861 Female 49 141000 1
## 315 15747097 Female 39 79000 0
## 316 15594762 Female 39 75000 1
## 317 15667417 Female 54 104000 1
## 318 15684861 Male 35 55000 0
## 319 15742204 Male 45 32000 1
## 320 15623502 Male 36 60000 0
## 321 15774872 Female 52 138000 1
## 322 15611191 Female 53 82000 1
## 323 15674331 Male 41 52000 0
## 324 15619465 Female 48 30000 1
## 325 15575247 Female 48 131000 1
## 326 15695679 Female 41 60000 0
## 327 15713463 Male 41 72000 0
## 328 15785170 Female 42 75000 0
## 329 15796351 Male 36 118000 1
## 330 15639576 Female 47 107000 1
## 331 15693264 Male 38 51000 0
## 332 15589715 Female 48 119000 1
## 333 15769902 Male 42 65000 0
## 334 15587177 Male 40 65000 0
## 335 15814553 Male 57 60000 1
## 336 15601550 Female 36 54000 0
## 337 15664907 Male 58 144000 1
## 338 15612465 Male 35 79000 0
## 339 15810800 Female 38 55000 0
## 340 15665760 Male 39 122000 1
## 341 15588080 Female 53 104000 1
## 342 15776844 Male 35 75000 0
## 343 15717560 Female 38 65000 0
## 344 15629739 Female 47 51000 1
## 345 15729908 Male 47 105000 1
## 346 15716781 Female 41 63000 0
## 347 15646936 Male 53 72000 1
## 348 15768151 Female 54 108000 1
## 349 15579212 Male 39 77000 0
## 350 15721835 Male 38 61000 0
## 351 15800515 Female 38 113000 1
## 352 15591279 Male 37 75000 0
## 353 15587419 Female 42 90000 1
## 354 15750335 Female 37 57000 0
## 355 15699619 Male 36 99000 1
## 356 15606472 Male 60 34000 1

[Link] Página 12 de 19
Support Vector Machine Classifier (SVM) 25/02/26, 11:04 a.m.

## 357 15778368 Male 54 70000 1

## 358 15671387 Female 41 72000 0
## 359 15573926 Male 40 71000 1
## 360 15709183 Male 42 54000 0
## 361 15577514 Male 43 129000 1
## 362 15778830 Female 53 34000 1
## 363 15768072 Female 47 50000 1
## 364 15768293 Female 42 79000 0
## 365 15654456 Male 42 104000 1
## 366 15807525 Female 59 29000 1
## 367 15574372 Female 58 47000 1
## 368 15671249 Male 46 88000 1
## 369 15779744 Male 38 71000 0
## 370 15624755 Female 54 26000 1
## 371 15611430 Female 60 46000 1
## 372 15774744 Male 60 83000 1
## 373 15629885 Female 39 73000 0
## 374 15708791 Male 59 130000 1
## 375 15793890 Female 37 80000 0
## 376 15646091 Female 46 32000 1
## 377 15596984 Female 46 74000 0
## 378 15800215 Female 42 53000 0
## 379 15577806 Male 41 87000 1
## 380 15749381 Female 58 23000 1
## 381 15683758 Male 42 64000 0
## 382 15670615 Male 48 33000 1
## 383 15715622 Female 44 139000 1
## 384 15707634 Male 49 28000 1
## 385 15806901 Female 57 33000 1
## 386 15775335 Male 56 60000 1
## 387 15724150 Female 49 39000 1
## 388 15627220 Male 39 71000 0
## 389 15672330 Male 47 34000 1
## 390 15668521 Female 48 35000 1
## 391 15807837 Male 48 33000 1
## 392 15592570 Male 47 23000 1
## 393 15748589 Female 45 45000 1
## 394 15635893 Male 60 42000 1
## 395 15757632 Female 39 59000 0
## 396 15691863 Female 46 41000 1
## 397 15706071 Male 51 23000 1
## 398 15654296 Female 50 20000 1
## 399 15755018 Male 36 33000 0
## 400 15594041 Female 49 36000 1

[Link] Página 13 de 19
Support Vector Machine Classifier (SVM) 25/02/26, 11:04 a.m.

## Lbrerias utilizadas

library(caTools)
library(ggplot2)
library(esquisse)
library(cowplot)
library(DataExplorer)
library(knitr)
library(gbm)
library(caret)
library(dplyr)
library(ROCR)
library(gplots)
library(e1071)

## Semilla y cantidad de decimales

[Link](123)
options(scipen = 999)

#Eliminacion de la columnas columnas innecesarias

dataset = dataset[, 3:5]

Se calcula la correlación matemática entre las variables para definir cuáles de ellas son más efectivas para
realizar predicciones

#Coorrelacion
[Link] <- cor(dataset)

# Gráfico de correlación
pairs(dataset)

[Link] Página 14 de 19
Support Vector Machine Classifier (SVM) 25/02/26, 11:04 a.m.

Se realiza la separación de train y test del dataset, esto con el fin de tener un dataset para entrenar el modelo
y otro más pequeño para validar su presición, en este caso se uso una separación 75%-25%

# Dividir los datos en conjunto de entrenamiento y conjunto de test

split = [Link](dataset$Purchased, SplitRatio = 0.75)
training_set = subset(dataset, split == TRUE)
testing_set = subset(dataset, split == FALSE)

# Escalado de valores
training_set[,1:2] = scale(training_set[,1:2])
testing_set[,1:2] = scale(testing_set[,1:2])

Se genera el modelo de SVM, para ello se usará el kernel lineal para usarlo con el tipo de clasificación, y se
hará con la variable Purshased contra todas las demás variables del dataset

[Link] Página 15 de 19
Support Vector Machine Classifier (SVM) 25/02/26, 11:04 a.m.

# Ajustar el SVM con el conjunto de entrenamiento.

classifier = svm(formula = Purchased ~ .,
data = training_set,
type = "C-classification",
kernel = "linear")

Se realiza una predicción del modelo con el conjunto de entrenamiento

# Predicción de los resultados con el conjunto de testing

y_pred = predict(classifier, newdata = testing_set[,-3])

Se contruye la matriz de confusión para validar su eficiencia

# Crear la matriz de confusión

cm = table(testing_set[, 3], y_pred)
cm

## y_pred
## 0 1
## 0 57 7
## 1 13 23

Gráficas
Se muestran los gráficos de dispersión para mostrar la presición del modelo, siendo el fondo la presición y los
puntos el entrenamiento y la prueba respectivamente

# Visualización del conjunto de entrenamiento

set = training_set
X1 = seq(min(set[, 1]) - 1, max(set[, 1]) + 1, by = 0.01)
X2 = seq(min(set[, 2]) - 1, max(set[, 2]) + 1, by = 0.01)
grid_set = [Link](X1, X2)
colnames(grid_set) = c('Age', 'EstimatedSalary')
y_grid = predict(classifier, newdata = grid_set)
plot(set[, -3],
main = 'SVM (Conjunto de Entrenamiento)',
xlab = 'Edad', ylab = 'Sueldo Estimado',
xlim = range(X1), ylim = range(X2))
contour(X1, X2, matrix([Link](y_grid), length(X1), length(X2)), add = TRUE)
points(grid_set, pch = '.', col = ifelse(y_grid == 1, 'springgreen3', 'tomato'))
points(set, pch = 21, bg = ifelse(set[, 3] == 1, 'green4', 'red3'))

[Link] Página 16 de 19
Support Vector Machine Classifier (SVM) 25/02/26, 11:04 a.m.

# Visualización del conjunto de testing

set = testing_set
X1 = seq(min(set[, 1]) - 1, max(set[, 1]) + 1, by = 0.01)
X2 = seq(min(set[, 2]) - 1, max(set[, 2]) + 1, by = 0.01)
grid_set = [Link](X1, X2)
colnames(grid_set) = c('Age', 'EstimatedSalary')
y_grid = predict(classifier, newdata = grid_set)
plot(set[, -3],
main = 'SVM (Conjunto de Testing)',
xlab = 'Edad', ylab = 'Sueldo Estimado',
xlim = range(X1), ylim = range(X2))
contour(X1, X2, matrix([Link](y_grid), length(X1), length(X2)), add = TRUE)
points(grid_set, pch = '.', col = ifelse(y_grid == 1, 'springgreen3', 'tomato'))
points(set, pch = 21, bg = ifelse(set[, 3] == 1, 'green4', 'red3'))

[Link] Página 17 de 19
Support Vector Machine Classifier (SVM) 25/02/26, 11:04 a.m.

Pruebas y ejemplos con modificaciones de

parámetros o dataset
Se modifica el parametro del kernel por plynomial y pone una función de costo de 100 para probar como
resultan las modificaciones al modelo

# Modelo 2
classifier2 = svm(formula = Purchased ~ .,
data = training_set,
type = "C-classification",
kernel = "polynomial",
cost = 100)

Se realiza la nueva predicción

# Predicción de los resultados con el conjunto de testing

y_pred2 = predict(classifier2, newdata = testing_set[,-3])

[Link] Página 18 de 19
Support Vector Machine Classifier (SVM) 25/02/26, 11:04 a.m.

Se crea una nueva matriz de confusión

# Crear la matriz de confusión

cm2 = table(testing_set[, 3], y_pred2)
cm2

## y_pred2
## 0 1
## 0 60 4
## 1 17 19

A pesar de las modificaciones hechas, la presición se mantuvo prácticamente igual, pues anteriormente
acerrtó 80 y ahora fueron 79

[Link] Página 19 de 19