Desarrollo de una estrategia de clasificación supervisada basada en kernel en un escenario de múltiples anotadores

Martinez Figueroa, Dania Gisela Y Solarte Paz, Ernesto Alejandro (2019) Desarrollo de una estrategia de clasificación supervisada basada en kernel en un escenario de múltiples anotadores. Project Report. Universidad de Nariño, San Juan de Pasto.

Text 210160.pdf Download (1MB)

Resumen

En el campo del reconocimiento de patrones, uno de los aspectos más importantes para la clasificación supervisada es la base de datos de entrada, la cual debe estar correctamente etiquetada. En algunos casos, las propiedades intrínsecas de los objetos pueden generar confusión a la hora de obtener buenas etiquetas, por lo que se recurre a consultar la opinión de varios expertos para dicho propósito; por ejemplo, en medicina, para algunas enfermedades complejas es necesario consultar a varios profesionales y así, tener mayor certeza del diagnóstico médico. La dificultad que esto representa es que no siempre existe consenso entre ellos o incluso, algunos no cuentan con la experiencia en el área de interés para dar buenas etiquetas. Es por ello que, en este trabajo de grado se creó un método capaz de regular la influencia de cada uno de los etiquetadores en la creación del modelo de predicción, de forma que se garantice un adecuado aprendizaje del sistema inteligente. Para dicho fin, se entrenó uno de los métodos más conocidos en aprendizaje supervisado, Support Vector Machine (SVM), con matrices kernel de tipo supervisado, que contienen información tanto de las etiquetas de cada anotador como de los datos de entrenamiento. La introducción de dichas matrices al clasificador se realizó por medio de la suma ponderada de las mismas, con factores de ponderación obtenidos con métodos de análisis de relevancia de variables aplicados a las matrices de cada experto. Los experimentos realizados en un entorno de múltiples expertos mostraron un menor porcentaje de error para los kernel con función exponencial, así como mejor precisión y AUC (área bajo la curva). Este método, además, constituye un gran avance dentro de este campo puesto que permite el trabajo con bases de datos en un escenario de múltiples expertos gracias a las funciones kernel usadas.

Tipo de Elemento:	Monografía (Project Report)
Información Adicional:	Director PhD. Edgardo Javier Revelo Fuelagán Ingeniero electrónico Co-director Mg. Jaime Andrés Riascos Salas Ingeniero Mecatrónico
Palabras Clave:	Reconocimiento, Etiquetadores, Clasificación, Kernel, Precisión
Asunto:	Q Ciencias > QA Mathematics > QA75 Electronic computers. Computer science T Tecnología > T Technology (General)
Division:	Facultad de Ingeniería > Programa de Ingeniería Electrónica > Trabajos de grado
Depósito de Usuario:	Monitor Biblioteca 3 Quijano Guerrero
Fecha Deposito:	21 May 2026 23:01
Ultima Modificación:	21 May 2026 23:01
URI:	http://sired.udenar.edu.co/id/eprint/18607

Ver Elemento