Embora muitos conjuntos de dados sejam linearmente separaveis (um hiperplano consegue classificá-los), este não é um caso geral e classificadores lineares geralmente não apresentam bons resultados uma vez que muitos conjuntos de dados podem estar dispostos de maneira a não permitir que um simples hiperplano consiga definir dois grupos completamente desagregados. Neste ponto um aspecto apresenta suma importância quanto a redefinir a distribuição espacial dos elementos de uma possível classificação, o núcleo. Este último centraliza sua ação no mapeamento do conjunto de dados inicial para um chamado 'espaço de característica', onde os dados antes não separáveis linearmente, podem sê-lo. Este fato é de importância ímpar, pois tendo em mãos um núcleo que melhor 'mapeie' o espaço amostral dos dados a serem classificados, melhores e mais precisos serão os resultados obtidos e teremos então um classificador especializado para aquele determinado problema. Este trabalho será voltado para a busca de um mapeamento que traga melhores resultados quanto à classificação de músicas e ruídos, juntamente com o uso de uma biblioteca que implemente a metodologia do SVM.

not available