RKHS, teoría y aplicaciones con machine learning

La idea de la plática es hacer un recorrido sobre los RKHS, (Reproducing Kernel Hilbert Spaces) que son el corazón de las máquinas de soporte vectorial, los cuales están unidas por el “Kernel Trick”, el truco favorito de los Científicos de Datos.

Además de conocer la teoría, mostraremos una implementación en R para para resolver el problema de clasificación de ajedrez, el cual radica en hacer clasificación binaría proveniente de una distribución aletoria e uniforme en una cuadrícula de ajedrez. Este es un problema clásico y difícil en clasificación pues la distribución de la muestra de entrenamiento evade relaciones lineales, polinomiales, logarítmicas y demás transformaciones conocidas con la variable dependiente. Mostraremos cómo resolver este tipo de problemas por medio de RKHS.