u so da s eleÇÃo de p rotÓtipos p ara o timizar a c lassificaÇÃo b aseada em d issimilaridade...

USO DA SELEÇÃO DE PROTÓTIPOS PARA OTIMIZAR A CLASSIFICAÇÃO BASEADA EM DISSIMILARIDADE

Felipe Soares Queiroga (fsq)

MOTIVAÇÃO Objetos “Similares” podem sem agrupados

com intuito de formar uma classe, uma “classe” nada mais é que um conjunto de objetos “similares”. [KIMA, 2006]

OBJETIVOS Dois Principais objetivos do Artigo:

Utilizar um PRS como uma ferramenta para minimizar o número de amostras que serão utilizados pela DBC.

Utilizar a medida de distância de Mahalanobis, associada com o algoritmo de PRS, para obter uma vantagem distinta ao implementar uma DBC.

PROTOTYPE REDUCTION SCHEMES (PRS) O que é:

Um Método de seleção de vetores de protótipos necessários para a representação de dissimilaridade.

Usado Para: Reduzir a Base de Treinamento a Protótipos Reduzir os Custos de computar, armazenar e

processar toda a base de Treinamento.

PRS’S UTILIZADOS Random:

Seleção Randômica de m Amostras a partir do Conjunto de Treinamento.

Método Mais Simples

Riscos: Como a Escolha é Aleatória, pode resultar em uma seleção de protótipos desbalanceada

Espaço de Seleção de Protótipos com a técnica Random [Duin, 2004].

PRS’S UTILIZADOS RandomC:

Seleção Randômica de mi Amostras por classe w Existente no Conjunto de Treinamento T

Soluciona o Problema de se Ter Classes Desbalanceadas que Tivemos com a Técnica Random.

Espaço de Seleção de Protótipos com a técnica RandomC [Duin, 2004].

PRS’S UTILIZADOS KCentres:

1. Seleciona randomicamente mi Amostras por Classe wi Existente no Conjunto de Treinamento T.

2. Separa as instâncias de cada classe de acordo com a proximidade de cada protótipo.

3. Calcula o centro para cada conjunto.Objeto cuja distância para os outros da classe é o valor mínimo.

4. Para cada centro, se o centro for diferente, o protótipo é substituído pelo centro e retorna para o passo 2

Espaço de Seleção de Protótipos com a técnica KCentres [Duin, 2004].

MEDIDAS DE DISSIMILARIDADE Medida Utilizada Para Quantificar a

Dissimilaridade Entre Dois Vetores.

No andamento do projeto, foram implementadas quatro formas diferentes no cálculo das dissimilaridades.

DISSIMILARIDADE USADAS

Norma de City Block:

Norma Euclidiana: Norma Max: Norma de

Minkowski:

MATRIZ DE DISSIMILARIDADE Após Selecionarmos Protótipos e definirmos a

medida de dissimilaridade, podemos construir a Matriz de Dissimilaridade:

CLASSIFICAÇÃO Reduzir d Dimensão da Matriz de

Dissimilaridade:

EXEMPLO:Exemplo de um Espaço de Dissimilaridade 2D classificador por um sub-Conjunto de dígitos escritos a mão (3 e 8). A Representação da Dissimilaridade D(T, R) é baseada na Distância Euclidiana entre as imagens binárias com suavização Gaussin. [Duin, 2004]

R é escolhido randomicamente e consiste de dois exemplos, um de cada digito. [Duin, 2004]

RESULTADOS: Utilização Do Classificador Desenvolvido

Sobre a Base Ionosphere do UCI.

DÚVIDAS?

REFERÊNCIAS: [Duin, 1997] R.P.W. Duin, D. Ridder and D.M.J. Tax, Experiments with

a featureless approach to pattern recognition, Pattern Recognition Lett. 18 (1997), pp. 1159–1166.

[Duin, 2004] R.P.W. Duin, E. Pekalska and Pavel Paclok. Prototype Selection for Dissimilarity-based Classifiers (2004).

[KIMA, 2006] Sang-Woon Kima and B. John Oommen. On using prototype reduction schemes to optimize dissimilarity-based classification. (2006).