INVESTIGADOR(ES) PRINCIPAL(ES):

Cristian Alfonso Jiménez Castaño

0 horas

CODIGO CIE

E6-18-9

Andrés Marino Álvarez Meza

Tutor

0 Horas

TIPO DE CONVOCATORIA

2017. Estudiantes De Posgrado

TIPO DE PROYECTO

Investigación Básica

OBJETIVO(S)

Objetivo general: Desarrollar una metodología de clasificación basada en máquinas de vectores de soporte gemelas que considere el desbalance entre clases y que contemple la selección automática de parámetros libres en aras de favorecer la identificación de patrones relevantes con base en criterios de sensibilidad y especificidad. Objetivos específicos: 1) Proponer un método de clasificación basado en máquinas de vectores de soporte gemelas (TWSVM) que contemple mapeos no lineales con kernel reproductivo dentro de un esquema de optimización cuadrático, con el fin de favorecer la generalización de las representaciones utilizando distintos kernels según la aplicación de interés. 2) Desarrollar una estrategia de sintonización de los parámetros libres del método de clasificación propuesto, que incluya la regularización automática del problema de aprendizaje y la escogencia de la función kernel a partir de los datos disponibles. 3) Desarrollar una metodología de remuestreo para codificar estructuras de datos relevantes y favorecer el rendimiento en tareas de clasificación con desbalance, a partir del método de clasificación propuesto basado en TWSVM con selección automática de parámetros.

RESUMEN

La mayoría de los métodos de clasificación asumen que el número de muestras en las clases estudiadas son las mismas (balanceadas). Sin embargo, realizar esta asunción puede llevar a desempeños sesgados, ya que, la mayoría de aplicaciones y bases de datos reales no son balanceadas, llevando a que estos métodos ignoren la clase minoritaria (la clase con el menor número de muestras). Este trabajo propone un clasificador novedoso, llamado enhanced twin support vector machine¿(ETWSVM), que representa las muestras de entrada en un espacio de características de alta dimensionalidad, posiblemente infinita, durante la construcción de una frontera de decisión bajo la filosofía del twin support vector machine¿(TWSVM). También, usamos un método basado en centered kernel alignment¿(CKA) para aprender la función kernel con el fin de contrarrestar los problemas inherentes del desbalance y mejorar la separabilidad de los datos. Además, adoptamos las estrategias One-versus-Rest y One-versus-One para extender la formulación del ETWSVM a tareas de clasificación multiclase. De los resultados obtenidos sobre bases de datos sintéticas y reales, nuestra propuesta supera métodos del estado del arte con respecto al desempeño (precisión, media geométrica, F-measure), y tiempo de entrenamiento. En efecto, después analizamos la sensibilidad de los parámetros libres para diferentes tasas de desbalance y traslape entre las clases, y sugerimos una variante del ETWSVMN automático que registra una indicada relación entre desempeño de clasificación y tiempo de entrenamiento

ESTADO

Concluye Satisfactoriamente

FECHA DE INICIO

22/01/2018

FECHA DE FINALIZACION

22/01/2020

PRODUCTOS

A Data Representation Approach to Support Imbalanced Data Classification Based on TWSVM

Artículos en revista A1 ó A2

URL

A data representation approach to support imbalanced data classification based on TWSVM

Ponencia en evento especializado

A Enhanced twin support vector machine to support imbalanced data classification

Software

URL

An enhanced twin support vector machine to support imbalanced data classification

Artículos en revista A1 ó A2

Clasificador de máquinas de vectores de soporte para problemas desbalanceados con selección automática de parámetros

Maestría o Especialidad clínica

Nerve Structure Segmentation from Ultrasound Images Using Random Under-Sampling and an SVM Classifier

Artículos en revista A1 ó A2

URL

Nerve structure segmentation from ultrasound images using random under-sampling and an SVM classifier

Ponencia en evento especializado