Publication: Estudio de técnicas supervisadas de reducción de dimensionalidad para problemas de clasificación
Loading...
Identifiers
Publication date
2017
Defense date
2017-06-21
Authors
Advisors
Tutors
Journal Title
Journal ISSN
Volume Title
Publisher
Impact
Export
Abstract
En la actualidad es muy frecuente encontrar conjuntos de datos con una dimensión muy elevada. Por ello, en este trabajo se lleva a cabo el estudio de las diferentes técnicas existentes de reducción de dimensionalidad, así como los inconvenientes que presentan los algoritmos de aprendizaje automático en problemas con estas características.
Posteriormente, se lleva a cabo el estudio empírico de una técnica de reducción de dimensionalidad para problemas supervisados de clasificación. Esta técnica está basada en la arquitectura del Perceptrón Multicapa y el estudio es realizado en cuatro dominios diferentes. Adicionalmente, para comprobar si se trata de una técnica fiable, se muestra una comparación de los resultados obtenidos con PCA. Cabe destacar que para evaluar la calidad de la reducción de la dimensionalidad producida, en ambos casos, se utiliza KNN.
En la mayoría de los casos los resultados obtenidos realizando la reducción de la dimensionalidad con la red de neuronas son mejores que los resultados de PCA. También, en general se obtienen mejores resultados de clasificación de los datos con dimensiones reducidas (utilizando la red de neuronas para realizar la reducción de dimensionalidad) frente a los datos con el número de dimensiones original. Por tanto, el resultado del estudio es que es muy recomendable utilizar el esquema de reducción de dimensionalidad propuesto para llevar a cabo la transformación de los datos originales.
Description
Keywords
Inteligencia artificial, Redes neuronales, Aprendizaje