Resumen de Técnicas para la mejora de la clasificación por el vecino más cercano
En la tesis aquí presentada se aborda el problema de la mejora de la clasificación por el vecino más cercano. El comportamiento de esta técnica de clasificación presenta una serie de problemas, la mayoría de ellos relacionados con la función de distancia utilizada. Por ello esta tesis propone funciones de distancia alternativas a las ya conocidas. Estas medidas de distancia se basan en la ponderación, tanto de las características que definen los vectores de datos, como de los propios vectores. Estos pesos se aprenden a partir de los datos de aprendizaje disponibles. A diferencia de otras técnicas donde este aprendizaje no está explícitamente relacionado con el objetivo final (mejorar la tasa de acierto del clasificador), en el presente trabajo se propone un aprendizaje basado en la minimización de un índice estrechamente ligado con dicho objetivo. El índice propuesto a minimizar es una aproximación a la estimación mediante exclusión individual del error de clasificación.
Las distancias que se proponen son las siguientes: distnacia Clase Ponderada L2, CPL2, distancia Local Ponderada L2, LPL2, distancia Prototipo Ponderada, DPP y distancia Clase Prototipo Ponderada L2, CPPL2. El coste computacional de los algoritmos de optimización correspondientes ha sido abordado. Se ha provisto de una técnica que reduce considerablemente este coste al utilizar subconjuntos reducidos del conjunto de aprendizaje original, pero sin apenas diferencia significativa en los resultados de clasificación.
A partir de los pesos asignados a cada una de las características empleadas para representar los objetos a reconocer, se ha desarrollado una técnica de selección de características. Con el empleo de esta técnica se obtienen conjuntos reducidos de características que mejora claramente la tasa de acierto en tareas con características correladas o redundantes.
También se ha obtenido una técnica de edición a partir de los pesos asign
