Optimización paralela multiobjetivo de conjuntos de perceptrones multicapa para clasificación de patrones

• Autores: Pedro Ángel Castillo Valdivieso, Juan Julián Merelo Guervós
• Localización: Inteligencia artificial: Revista Iberoamericana de Inteligencia Artificial, ISSN-e 1988-3064, ISSN 1137-3601, Vol. 12, Nº. 38, 2008, págs. 5-25
• Idioma: español
• Enlaces
  • Texto completo
• Resumen

  • En los problemas de clasificación de patrones se busca minimizar el número de patrones mal clasificados (error de clasificación). Sin embargo, en muchas aplicaciones reales hay que tener en cuenta por separado el error tipo I (falsos positivos) y el tipo II (falsos negativos), lo que hace el problema más complejo ya que un intento de minimizar uno de ellos, hace que el otro crezca. Es más, en ocasiones uno de estos tipos de error puede ser más importante que el otro, y se debe buscar un compromiso que minimice el más importante de los dos.

    A pesar de la importancia de los errores tipo II, la mayoría de los métodos de clasificación sólo tienen en cuenta el error de clasificación global. En este trabajo se propone la optimización de ambos tipos de error de clasificación utilizando un algoritmo multiobjetivo en el que cada tipo de error y el tamaño de red son objetivos de la función de evaluación (fitness). Se ha utilizado una versión modificada del método G-Prop de diseño y optimización de perceptrones multicapa usando un algoritmo evolutivo para optimizar simultáneamente la estructura de la red neuronal y los errores tipo I y II. Debido a la carga computacional que supone la ejecución de un algoritmo evolutivo para el diseño de redes neuronales, se propone la paralelización utilizando el modelo isla como forma de distribuir la carga en una red heterogénea