Vol. 14 Núm. 1 (2015): Revista UIS Ingenierías
Artículos

Análisis secuencial de parámetros en evaluación de búsqueda flotante y extracción de metaclasifcadores débiles

Edwin Alberto Silva Cruz
Universidad Industrial de Santander
Biografía
Carlos Humberto Esparza Franco
Universidad Industrial de Santander
Biografía

Publicado 2014-11-22

Palabras clave

  • búsqueda de parámetros,
  • minería de datos,
  • reconocimiento de patrones,
  • reducción de dimensionalidad,
  • sistema de clasificación.

Cómo citar

Silva Cruz, E. A., & Esparza Franco, C. H. (2014). Análisis secuencial de parámetros en evaluación de búsqueda flotante y extracción de metaclasifcadores débiles. Revista UIS Ingenierías, 14(1), 45–57. Recuperado a partir de https://revistas.uis.edu.co/index.php/revistauisingenierias/article/view/45-57

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

Los datos de descargas todavía no están disponibles.

Referencias

  1. GUYON, I Feature extraction: foundations and applications.Springer, 2006.
  2. DEVIJVER, P; KITTLER, J. Pattern recognition:
  3. A statistical approach. Prentice/Hall International
  4. Englewood Cliffs, NJ, 1982.
  5. NAKARIYAKUL, S; CASASENT, D “An
  6. improvement on foating search algorithms for feature
  7. subset selection,” Pattern Recognit., vol. 42, no. 9, pp.
  8. –1940, 2009.
  9. PENG, Y; WU, Z; JIANG, J.“A novel feature selection
  10. approach for biomedical data classifcation,” J. Biomed.
  11. Inform., vol. 43, no. 1, pp. 15–23, 2010.
  12. GHEYAS, I; SMITH, L. “Feature subset selection in
  13. large dimensionality domains,” Pattern Recognit., vol.
  14. , no. 1, pp. 5–13, 2010.
  15. Z. Q; LU, J.“The elements of statistical learning: data
  16. mining, inference, and prediction,” J. R. Stat. Soc. Ser.
  17. A (Statistics Soc., vol. 173, no. 3, pp. 693–694, 2010.
  18. TRUNK, G. “A problem of dimensionality: A simple
  19. example,” Pattern Anal. Mach. Intell. IEEE Trans., no.
  20. , pp. 306–307, 1979.
  21. AHA, D; BANKERT, R. “A comparative evaluation of
  22. sequential feature selection algorithms,” in Learning
  23. from Data. Springer New York, 1996, pp. 199–206.
  24. WEDD, A; COPSEY, K. Statistical Pattern Recognition,
  25. third Edition, Third Edit. Wiley, 2011, p. 642.
  26. SUN, D; ZHANG, D.“Bagging constraint score for
  27. feature selection with pairwise constraints,” Pattern
  28. Recognit., vol. 43, no. 6, pp. 2106–2118, 2010.
  29. GU, Q. et al. “Generalized fsher score for feature
  30. selection,” arXiv Prepr. arXiv1202.3725, 2012.
  31. HANCAZAR, B. et al. “Small-sample precision of
  32. ROC-related estimates,” Bioinformatics, vol. 26, no. 6,
  33. pp. 822–830, 2010.
  34. PUDIL, P. et al. “Floating search methods in feature
  35. selection,” Pattern Recognit. Lett., vol. 15, no. 11, pp.
  36. –1125, 1994.
  37. SOMOL, P. et al.“Adaptive foating search methods in
  38. feature selection,” Pattern Recognigion Lett., vol. 20,
  39. no. 11, pp. 1157–1163, 1999.
  40. TIAN, Y. et al. “Recognizing Facial Actions by
  41. Combining Geometric Features and Regional
  42. Appearance Patterns,” Robot. Institute, Carnegie
  43. Mellon Univ. Pittsburgh, PA 15213, p. 31, 2001.
  44. LUCEY, P. et al. “The Extended Cohn-Kanade
  45. Dataset (CK+): A complete dataset for action unit and
  46. emotion-specifed expression,” in Computer Vision and
  47. Pattern Recognition Workshops (CVPRW), 2010 IEEE
  48. Computer Society Conference on, 2010, no. July, pp.
  49. –101.
  50. VU, N-S; CAPLIER, A.“Face recognition with patterns
  51. of oriented edge magnitudes,” in Computer Vision--
  52. ECCV 2010, Springer, 2010, pp. 313–326.
  53. SILVA, E. et al. “POEM-based facial expression
  54. recognition, a new approach,” in Image, Signal Processing, and Artifcial Vision (STSIVA), 2012 XVII
  55. Symposium of, 2012, pp. 162–167.
  56. JACCARD, P. Coeffcient: Jaccard, Étude comparative
  57. de la distribution forale dans une portion des Alpes et
  58. des Jura, vol. 37. Impr. Corbaz, 1901.
  59. CHA, S-H. “Comprehensive survey on distance/
  60. similarity measures between probability density
  61. functions,” City, vol. 1, no. 2, 2007.
  62. YU, L; LIU, H.“Feature selection for high-dimensional
  63. data: A fast correlation-based flter solution,” in ICML,
  64. , vol. 3, pp. 856–863.
  65. PRESS, W. et al. Flannery, Numerical recipes in C, vol.
  66. Citeseer, 1996.
  67. DENG, S. et al. “A feature-selection algorithm based on
  68. Support Vector Machine-Multiclass for hyperspectral
  69. visible spectral analysis,” J. Food Eng., vol. 119, no. 1,
  70. pp. 159–166, 2013.