Support Vector Machine (SVM)

En problemas de clasificación, una Support Vector Machine (SVM) clasifica los datos encontrando el hiperplano que mejor separa las diferentes clases. Este hiperplano se elige de manera que maximice el margen, que es la distancia entre el hiperplano y los vectores de soporte más cercanos de cada clase. Los vectores de soporte son los puntos de datos más cercanos al hiperplano y son críticos para definir la posición y orientación del hiperplano. Una vez entrenada, la SVM clasifica nuevos datos determinando de qué lado del hiperplano caen.

En regresión, la SVM intenta encontrar un hiperplano que mejor se ajuste a los datos dentro de un margen definido, pero en lugar de separar clases, busca predecir un valor continuo. La idea es minimizar el error dentro de un margen establecido alrededor del hiperplano. Los datos que caen dentro de este margen son considerados como predicciones aceptables, y la SVM ajusta el hiperplano para incluir tantos puntos como sea posible dentro del margen, mientras minimiza el error en las predicciones.