El análisis estadístico de alta dimensión y tamaño de muestra pequeño (HDLSS) se está aplicando cada vez más en una amplia gama de contextos. En tales situaciones, se ve que el popular método de la Máquina de Vectores Soporte (SVM) sufre de ''Acumulación de datos'' en el margen, lo que puede disminuir la capacidad de generalización del modelo. Esto conduce al desarrollo de la Distance Weighted Discrimination para encontrar un hiperplano separador . En el presente trabajo se revisa y reproduce, con detalle en la derivación y solución de la función de pérdida que se resuelve usando SOCP, del método desarrollado en e implementado en el entorno R\cite{R}. Basado en el trabajo e implementación de se aplica y comparan resultados a conjuntos de datos reales y simulados (en medida de lo posible los mismos conjuntos de datos utilizados que en)
Palabras clave: SVM, kernel, R (el ambiente de cómputo estadístico) y datos de alta dimensión con tamaño de muestra pequeño (data High Dimension Low Sample Size).
This paper provides a sample of a LATEX document for the NIME conference series. It conforms, somewhat loosely, to the formatting guidelines for ACM SIG Proceedings. It is an alternate style which produces a tighter-looking paper and was designed in response to concerns expressed, by authors, over page-budgets. It complements the document Author’s (Alternate) Guide to Preparing ACM SIG Proceedings Using LATEX2ε and BibTEX. This source file has been written with the intention of being compiled under LATEX2ε and BibTeX.
This document is the LaTeX template for submitting articles at the WPGEC (Workshop de Pós-graduação de Engenharia da Computação) from the University of São Paulo in its sixth edition.
This document allows the writing of articles in both portuguese and english version.
Collaborator: Rosalia Caya