Fusión de clasificadores débiles euclidianos, FDA y SVM por a posteriori confidence classification (APCC)
DOI:
https://doi.org/10.15332/iteckne.v12i2.1238Palabras clave:
Sistemas de clasificación, problemas multiclase, características débiles, clasificación débil, APCCResumen
Los sistemas de clasificación binario y multiclase presentan inconvenientes cuando existe traslape importante entre las clases, representación insuficiente de las clases o asimetría en la representación. Sistemas de clasificación sofisticados, incluyendo SVM (máquinas de soporte vectorial) y SVM-RBF (máquinas de soporte vectorial con funciones de base radial) pueden tener inconvenientes en la generalización de estos problemas, de manera que la obtención de una clasificación exitosa tiene inconvenientes importantes. En este trabajo se muestra cómo el uso de clasificadores por métricas más simples puede ayudar al sistema global mediante fusión de criterios usando el algoritmo APCC (A Posteriori Confidence Classification). El algoritmo APCC determina la confiabilidad individual de cada parámetro y cada sistema de clasificación y otorga ponderación a posteriori a cada clasificador en función de su salida. Los protocolos desarrollados fueron probados tanto en datos simulados como en datos reales de parámetros VPOEM y TPOEM (Volumetric Patterns of Oriented Edge Magnitudes y Temporal Patterns of Oriented Edge Magnitudes) para la representación de la expresión facial. En ambos casos el uso de APCC y fusión de clasificadores permitió incrementar significativamente la tasa de clasificación.Descargas
Citas
H. Xiong, J. Wu, and L. Liu, “Classification with Class Overlapping: A Systematic Study,” in The 2010 International Conference on E-Business Intelligence, 2010, pp. 491-497.
W. Tang, K. Z. Mao, L. O. Mak, and H. W. Ng, “Classification for overlapping classes using optimized overlapping region detection and soft decision,” in Information Fusion (FUSION), 2010 13th Conference on, 2010, pp. 1-8.
M. Denil and T. Trappenberg, “Overlap versus Imbalance,” in Advances in Artificial Intelligence, 2010, pp. 220-231.
V. García, R. A. Mollineda, and J. S. Sánchez, “On the k-NN performance in a challenging scenario of imbalance and overlapping,” Pattern Anal. Appl., vol. 11, no. 3-4, pp. 269-280, Sep. 2007.
R. C. Prati, G. E. A. P. A. Batista, and M. C. Monard, “Class imbalances versus class overlapping: an analysis of a learning system behavior,” in MICAI 2004: Advances in Artificial Intelligence, 2004, pp. 312-321.
Y. Tang and J. Gao, “Improved classification for problem involving overlapping patterns,” IEICE Trans. Inf. Syst., vol. 90, no. 11, pp. 1787-1795, 2007.
G. E. Batista, R. C. Prati, and M. C. Monard, “Balancing strategies and class overlapping,” in Advances in Intelligent Data Analysis VI, 2005, pp. 24-35.
G. E. Batista, R. C. Prati, and M. C. Monard, “A study of the behavior of several methods for balancing machine learning training data,” ACM SIGKDD Explor. Newsl., vol. 6, no. 1, p. 20, Jun. 2004.
Y. Han, F. Wu, J. Jia, Y. Zhuang, and B. Yu, “Multi-Task Sparse Discriminant Analysis (MtSDA) with Overlapping Categories,” in Proceedings of the Twenty-Fourth AAAI Conference on Artificial Inteligence (AAAI-10), 2010, pp. 469-474.
S. Ji, L. Tang, S. Yu, and J. Ye, “Extracting shared subspace for multi-label classification,” in Proceeding of the 14th ACM SIGKDD international conference on Knowledge discovery and data mining - KDD 08, 2008, pp. 381-389.
T. Chua, J. Tang, R. Hong, H. Li, Z. Luo, and Y. Zheng, “NUS-WIDE: A Real-World Web Image Database from National University of Singapore,” in Proceedings of the ACM International Conference on Image and Video Retrieval, 2009, p. 48.
M. Wang, L. Yang, and X. Hua, “MSRA-MM: Bridging Research and Industrial Societies for Multimedia Information Retrieval,” Microsoft Res. Asia, Tech. Rep, pp. 1-14, 2009.
S.-J. Kim, A. Magnani, and S. P. Boyd, “Robust fisher discriminant analysis,” in Advances in Neural Information Processing System, 2005, vol. 1, pp. 659-666.
S. Abe, Support vector machines for pattern classification. Springer, 2010.
C. J. Burges, “A tutorial on support vector machines for pattern recognition,” Data Min. Knowl. Discov., vol. 2, no. 2, pp. 121-167, 1998.
G. C. Cawley and N. L. Talbot, “On over-fitting in model selection and subsequent selection bias in performance evaluation,” J. Mach. Learn. Res., vol. 11, no. 1, pp. 2079-2107, 2010.
N.-S. Vu and A. Caplier, “Enhanced patterns of oriented edge magnitudes for face recognition and image matching,” Image Process. IEEE Trans., vol. 21, no. 3, pp. 1352-1365, 2012.
E. Silva, C. Esparza, and Y. Mejía, “POEM-based Facial Expression Recognition, a New Approach,” in Image, Signal Processing, and Artificial Vision (STSIVA), 2012 XVII Symposium of, 2012, pp. 162-167.
Descargas
Publicado
Cómo citar
Número
Sección
Licencia
La revista ITECKNE se encuentra registrada bajo una licencia de Creative Commons Reconocimiento-NoComercial 4.0 Internacional Por lo tanto, esta obra se puede reproducir, distribuir y comunicar públicamente, siempre que se reconozca el nombre de los autores y a la Universidad Santo Tomás. Se permite citar, adaptar, transformar, autoarchivar, republicar y crear a partir del material, siempre que se reconozca adecuadamente la autoría, se proporcione un enlace a la obra original y se indique si se han realizado cambios.
La Revista ITECKNE no retiene los derechos sobre las obras publicadas y los contenidos son responsabilidad exclusiva de los autores, quienes conservan sus derechos morales, intelectuales, de privacidad y publicidad. Sin embargo esta facultada para editar, publicar, reproducir y distribuir tanto en medios impresos como digitales, además de incluir el artículo en índices internacionales y/o bases de datos, de igual manera, se faculta a la editorial para utilizar las imágenes, tablas y/o cualquier material gráfico presentado en el artículo para el diseño de carátulas o posters de la misma revista.
