Publicado 2014-11-22
Palabras clave
- búsqueda de parámetros,
- minería de datos,
- reconocimiento de patrones,
- reducción de dimensionalidad,
- sistema de clasificación.
Cómo citar
Resumen
La extracción de parámetros es una de las tareas más exigentes en el diseño de un sistema de clasifcación. En este artículo se presenta un nuevo algoritmo de evaluación y búsqueda fotante enfocado en parámetros débiles. En problemas de clasifcación con un elevado número de parámetros débiles, un protocolo de búsqueda exhaustiva de parámetros es limitado por costos de cálculo. La propuesta reduce notablemente los costos de cálculo de la búsqueda de parámetros comparado con técnicas convencionales bottom-up, top-down y fotantes, así como otras técnicas recientes, sin reducir el desempeño del sistema de clasifcación. La metodología propuesta fue probada en un problema de reconocimiento de 7 clases de expresión facial y los resultados muestran la viabilidad del método para problemas multiclase con parámetros débiles.
Descargas
Referencias
- GUYON, I Feature extraction: foundations and applications.Springer, 2006.
- DEVIJVER, P; KITTLER, J. Pattern recognition:
- A statistical approach. Prentice/Hall International
- Englewood Cliffs, NJ, 1982.
- NAKARIYAKUL, S; CASASENT, D “An
- improvement on foating search algorithms for feature
- subset selection,” Pattern Recognit., vol. 42, no. 9, pp.
- –1940, 2009.
- PENG, Y; WU, Z; JIANG, J.“A novel feature selection
- approach for biomedical data classifcation,” J. Biomed.
- Inform., vol. 43, no. 1, pp. 15–23, 2010.
- GHEYAS, I; SMITH, L. “Feature subset selection in
- large dimensionality domains,” Pattern Recognit., vol.
- , no. 1, pp. 5–13, 2010.
- Z. Q; LU, J.“The elements of statistical learning: data
- mining, inference, and prediction,” J. R. Stat. Soc. Ser.
- A (Statistics Soc., vol. 173, no. 3, pp. 693–694, 2010.
- TRUNK, G. “A problem of dimensionality: A simple
- example,” Pattern Anal. Mach. Intell. IEEE Trans., no.
- , pp. 306–307, 1979.
- AHA, D; BANKERT, R. “A comparative evaluation of
- sequential feature selection algorithms,” in Learning
- from Data. Springer New York, 1996, pp. 199–206.
- WEDD, A; COPSEY, K. Statistical Pattern Recognition,
- third Edition, Third Edit. Wiley, 2011, p. 642.
- SUN, D; ZHANG, D.“Bagging constraint score for
- feature selection with pairwise constraints,” Pattern
- Recognit., vol. 43, no. 6, pp. 2106–2118, 2010.
- GU, Q. et al. “Generalized fsher score for feature
- selection,” arXiv Prepr. arXiv1202.3725, 2012.
- HANCAZAR, B. et al. “Small-sample precision of
- ROC-related estimates,” Bioinformatics, vol. 26, no. 6,
- pp. 822–830, 2010.
- PUDIL, P. et al. “Floating search methods in feature
- selection,” Pattern Recognit. Lett., vol. 15, no. 11, pp.
- –1125, 1994.
- SOMOL, P. et al.“Adaptive foating search methods in
- feature selection,” Pattern Recognigion Lett., vol. 20,
- no. 11, pp. 1157–1163, 1999.
- TIAN, Y. et al. “Recognizing Facial Actions by
- Combining Geometric Features and Regional
- Appearance Patterns,” Robot. Institute, Carnegie
- Mellon Univ. Pittsburgh, PA 15213, p. 31, 2001.
- LUCEY, P. et al. “The Extended Cohn-Kanade
- Dataset (CK+): A complete dataset for action unit and
- emotion-specifed expression,” in Computer Vision and
- Pattern Recognition Workshops (CVPRW), 2010 IEEE
- Computer Society Conference on, 2010, no. July, pp.
- –101.
- VU, N-S; CAPLIER, A.“Face recognition with patterns
- of oriented edge magnitudes,” in Computer Vision--
- ECCV 2010, Springer, 2010, pp. 313–326.
- SILVA, E. et al. “POEM-based facial expression
- recognition, a new approach,” in Image, Signal Processing, and Artifcial Vision (STSIVA), 2012 XVII
- Symposium of, 2012, pp. 162–167.
- JACCARD, P. Coeffcient: Jaccard, Étude comparative
- de la distribution forale dans une portion des Alpes et
- des Jura, vol. 37. Impr. Corbaz, 1901.
- CHA, S-H. “Comprehensive survey on distance/
- similarity measures between probability density
- functions,” City, vol. 1, no. 2, 2007.
- YU, L; LIU, H.“Feature selection for high-dimensional
- data: A fast correlation-based flter solution,” in ICML,
- , vol. 3, pp. 856–863.
- PRESS, W. et al. Flannery, Numerical recipes in C, vol.
- Citeseer, 1996.
- DENG, S. et al. “A feature-selection algorithm based on
- Support Vector Machine-Multiclass for hyperspectral
- visible spectral analysis,” J. Food Eng., vol. 119, no. 1,
- pp. 159–166, 2013.