Máquinas de Vectores de Soporte para Modelado Predictivo en Catálisis Heterogénea: Una Introducción Integral e Investigación sobre el Sobreajuste Basada en Dos Aplicaciones Reales

Este trabajo proporciona una introducción a las máquinas de vectores de soporte (SVM) para el modelado predictivo en catálisis heterogénea, describiendo paso a paso la metodología y destacando los puntos que hacen que esta técnica sea un enfoque atractivo. Primero investigamos las SVM lineales, trabajando en detalle a través de un ejemplo simple basado en datos experimentales derivados de un estudio que tiene como objetivo optimizar los catalizadores de epoxidación de olefinas aplicando experimentación de alto rendimiento. Este estudio de caso ha sido elegido para subrayar las características de las SVM de manera visual debido a las pocas variables catalíticas investigadas. Se muestra cómo las SVM transforman datos originales en otro espacio de representación de mayor dimensionalidad. Se introducen los conceptos de dimensión de Vapnik-Chervonenkis y minimización del riesgo estructural. La metodología SVM se evalúa con una segunda aplicación catalítica, es decir, la isomerización de parafinas ligeras. Finalmente, discutimos por qué las SVM son un método estratégico, en comparación con otras técnicas de aprendizaje automático, como redes neuronales o árboles de inducción, y por qué se pone énfasis en el problema del sobreajuste.