Clasificación basada en instancias mediante el aprendizaje de la función de distancia a partir de restricciones apareadas locales
Archivos
Fecha
2014-06-25
Autores
Nguyen Cong, Bac
Título de la revista
ISSN de la revista
Título del volumen
Editor
Universidad Central “Marta Abreu” de Las Villas
Resumen
En el trabajo se estudia el problema de clasificación basada en instancias
usando el paradigma de aprendizaje de la función de distancia de Mahalanobis.
Se propone un método para construir la función de distancia a partir de
restricciones apareadas locales. Los resultados experimentales muestran que
el método propuesto para construir la función de distancia logra un buen
resultado en el algoritmo de los K vecinos más cercanos. Se plantean cuestiones importantes en la escalabilidad y el grado requerido de supervisión
de métodos existente de aprendizaje de distancia de Mahalanobis. Se realizó
la incorporación del método de aprendizaje de distancia a la plataforma WEKA.
También se incorporó una adaptación del algoritmo de los K vecinos más
cercanos para dar solución a problemas de clasificación usando distancia de
Mahalanobis. La incorporación de este método de aprendizaje de distancia
es de vital importancia para los investigadores del campo del Aprendizaje
Automático al contar con nuevos métodos para dar solución a problemas de
clasificación.
In this work the classification problem based on instances using the distance metric learning paradigm is studied. A method for building the distance metric starting from matched up local restrictions is proposed. The experimental results show that with the method proposed the building of distance metric achieves a good result in the algorithm of k nearest neighbours. We raise important issues on scalability and the required degree of supervision of existing distance metric learning methods. The method of distance metric learning was incorporated to the platform WEKA. Furthermore an adaptation of the algorithm of k nearest neighbours was incorporated to give solution to classification problems using Mahalanobis distance. The incorporation of this method of distance metric learning has a high importance for the researches on the field of machine learning because this provides new methods to give solution to classification problems.
In this work the classification problem based on instances using the distance metric learning paradigm is studied. A method for building the distance metric starting from matched up local restrictions is proposed. The experimental results show that with the method proposed the building of distance metric achieves a good result in the algorithm of k nearest neighbours. We raise important issues on scalability and the required degree of supervision of existing distance metric learning methods. The method of distance metric learning was incorporated to the platform WEKA. Furthermore an adaptation of the algorithm of k nearest neighbours was incorporated to give solution to classification problems using Mahalanobis distance. The incorporation of this method of distance metric learning has a high importance for the researches on the field of machine learning because this provides new methods to give solution to classification problems.
Descripción
Palabras clave
Aprendizaje Automático, Análisis de Datos, Problemas de Clasificación, Inteligencia Artificial, WEKA, Inferencia Estadística