Esta tesis explora el problema de data sets con un número alto de atributos; y el impacto que generan en la performance de aprendizaje de los algoritmos Support Vector Machine (SVM) y Redes Neuronales Multicapa (MLNN). Para poder resolver este problema, proponemos la siguiente hipótesis: ““La aplicación de Principal Component Analysis (PCA) sobre el data set; mejorará la performance de aprendizaje de los algoritmos Support Vector Machine (SVM) y Redes neuronales Multicapa (MLNN). De acuerdo con nuestra hipótesis; tenemos el siguiente objetivo general: ““Mejorar la performance de aprendizaje de los algoritmos Support Vector Machine (SVM) y Redes Neuronales Multicapa (MLNN) a través de la aplicación de Principal Component Analysis (PCA) sobre el data set““. Para poder implementar los algoritmos (SVM, MLNN y PCA); usamos el data set QSAR biodegradation, de obtenido del re...