EXTENSIONES DE ALGORITMOS LOCALES PARA CLASIFICACION

Autor: MORA JIMENEZ INMACULADA
Año: 2004
Universidad: CARLOS III DE MADRID
Centro de realización: UNIVERSIDAD CARLOS III DE MADRID
Centro de lectura: ESCUELA POLITECNICA SUPERIOR
Director: FIGUEIRAS VIDAL ANIBAL R.
Tribunal: ARTES RODRIGUEZ ANTONIO , ISASI VIÑUELA PEDRO , ALBIOL COLOMER ANTONIO JOSE , GONZALEZ SALVADOR ALBERTO , BOUSOÑO CALZON CARLOS
Resumen de la tesis

En esta Tesis se proponen y valoran un conjunto de algoritmos de aprendizaje para el diseño de clasificadores locales. Se presenta una nueva variante de los clasificadores k-NN ("k-Nearest Neighbors") que tiene su origen en el clasificador de Bayes para mínimo error. La formulación de este nuevo clasificador permite desarrollar algoritmos de aprendizaje que conducen al diseño de clasificadores con prestaciones superiores a las de otros esquemas de estructura similar pero más convencionales. Para su uso con el esquema anterior, o incluso con cualquier otro tipo de clasificador máquina, se presentan nuevas técnicas de Selección de Muestras que hemos denominado técnicas de "Relajación de Objetivos", y cuyo denominador común es la selección de las muestras próximas a la frontera de clasificación, lo que presenta cierta analogía con las Máquinas de Vectores Soporte (SVM). Dada la aplicabilidad general de las estrategias propuestas, estudiamos su utilización en un esquema general de clasificación local, las Redes Neuronales de Funciones de Base Radiales, y demostramos que, aparte de ventaja en prestaciones para arquitecturas comunes, el tamaño de la red construida con nuestra propuesta suele ser inferior al obtenido con la tecnología SVM ante tasas de acierto comparables.
Materias relacionadas