Resumo
Resumo: Neste trabalho, são propostos dois algoritmos de treinamento para Máquinas de Vetores-Suporte (SVM). O primeiro algoritmo baseia-se na função de decisão das SVMs, que é uma medida de distância, e inclui um hiperparâmetro referente à porcentagem de vetores de suporte. O segundo algoritmo é uma versão atualizada, na qual esse hiperparâmetro não é mais necessário. Ambos os algoritmos são comparados com a Sequential Minimal Optimization (SMO), o Kernel Adatron e os solucionadores clássicos de otimização quadrática para SVM (QP) em termos de acurácia, precisão, recall e tempo de treinamento para vários conjuntos de dados. Em geral, os resultados de acurácia são equivalentes; no entanto, nossa proposta apresenta uma vantagem significativa em termos de tempo computacional, sendo mais rápida que o SMO, o Kernel Adatron e o SVM (QP) no treinamento do modelo em todos os conjuntos de dados disponíveis. Palavras-chaves: Aprendizado de máquina; máquinas de vetores suporte; classificação; otimização sequencial mínima; algoritmos de treinamento