Fernández Delgado, ManuelAli Hammouri, Ziad Akram2022-09-272022-09-272022http://hdl.handle.net/10347/29255Esta tese propón o fast support vector classifier, unha versión eficiente da máquina de vectores de soporte (SVM) con cerne gausiano para problemas de clasificación grandes. Este clasificador acada un acerto cercano aos mellores métodos dispoñíbeis, sendo moito máis rápido que aqueles en conxuntos de ata 31 millóns de datos, 30.000 entradas e 131 clases. Tamén axusta os requerimentos de memoria, permitindo a súa execución en datos de tamano case arbitrariamente grande. Esta tese tamén propón o algoritmo ideal kernel tuning, un método de sintonización eficiente da anchura do cerne gausiano para a SVM, método que é o máis rápido comparado con outras 5 alternativas da literatura, cun acerto moi perto do mellor dispoñíbel actualmente e cun reducido consumo de memoria.engAttribution-NonCommercial-NoDerivatives 4.0 Internacionalhttp://creativecommons.org/licenses/by-nc-nd/4.0/Classificationlarge-scale datasetssupport vector machineclosed-form trainingmodel selectionRBF kernelspread tuningMaterias::Investigación::12 Matemáticas::1203 Ciencia de los ordenadores::120304 Inteligencia artificialMaterias::Investigación::12 Matemáticas::1203 Ciencia de los ordenadores::120317 InformáticaMaterias::Investigación::12 Matemáticas::1203 Ciencia de los ordenadores::120302 Lenguajes algorítmicosdoctoral thesisopen access