Aprendizaje supervisado para la discriminación y clasificación difusa

• Carlos Arturo Soto Lombana ^[1] ; Claudia Jiménez Ramírez ^[2]
  1. [1] Universidad Nacional de Colombia. Psicología y Educación. Ciencias Básicas y Experimentales
  2. [2] Universidad Nacional de Colombia. Ciencias Básicas y Experimentales
• Localización: DYNA: revista de la Facultad de Minas. Universidad Nacional de Colombia. Sede Medellín, ISSN 0012-7353, Vol. 78, Nº. 169, 2011, págs. 26-33
• Idioma: español
• Títulos paralelos:
  • Supervised learning for fuzzy discrimination and classification
• Enlaces
  • Texto completo (pdf)
• Resumen
  • español

    El objetivo del presente artículo es proponer un nuevo método de análisis discriminante difuso, que hace uso de la estrategia de aprendizaje supervisado y utiliza la distancia euclidiana como medida de disimilitud. Las fórmulas que se proponen permiten resolver problemas de discriminación y clasificación de objetos en categorías que no pueden ser definidas con precisión pues tienen algún grado de solapamiento. Se utiliza una base de datos de referencia ampliamente utilizada en Reconocimiento de Patrones para ilustrar el método propuesto. Se presentan las superficies resultantes de graficar las funciones de pertenencia de categorías difusas para varios ejemplos. Luego, se compara el método propuesto con el discriminante lineal de Fisher para mostrar que la curva de nivel con grado de pertenencia 0.5 coincide con el discriminante lineal de Fisher, en análisis para dos categorías. Finalmente, se concluye que la técnica propuesta es fácil de aplicar y eficiente computacionalmente

  • English

    The objective of this paper is to propose a new method of fuzzy discriminant analysis, which makes use of supervised learning strategy and uses the Euclidean distance as dissimilarity measure. The proposed formulas can solve problems of discrimination and classification of objects in categories which cannot be defined precisely because they have some overlapping degree. In order to illustrate the proposed method, we used a well-known reference database in pattern recognition. We presented the surfaces of membership functions for some examples. Additionally, the method proposed was compared with the Fisher’s proposal for showing that the contour plot of 0.5 membership degree coincide with the discriminant linear model when two categories are considered. Finally, we concluded that the technique proposed is easy to implement and computationally efficient.