Clasificación de patrones, Apuntes de Matemáticas Aplicadas

¡Descarga Clasificación de patrones y más Apuntes en PDF de Matemáticas Aplicadas solo en Docsity!

CLASIFICACION DE

PATRONES

M. Cabrera, J. Vidal

Dept. TSCETSETB

UPC

Febrero-Mayo 2007

TEMA 1: INTRODUCCIÓN

Objetivo:Aplicar algoritmos de clasificación a

diversos problemas de clasificación queaparecen en diferentes campos odisciplinas de trabajo. Misma Teoría Matemática: Múltiples

Aplicaciones

CLASIFICACIÓN:

Pre-Procesado

MáquinaDecisión:Clasificación

Extracción deCaracterísticas

Vectordimensión =

d

Clase

Etapas

Temas

DIFERENTES GRADOS DE RESOLUCIÓN DEL

PROBLEMA

INTRODUCCIÓN

MODELOS BASADOS en f.d.p.

Selección de Características PCA-ICA

TECNICAS NO basadas en f.d.p.APRENDIZAJE SUPERVISADO

APRENDIZAJE NO SUPERVISADO

APRENDIZAJE INDEPENDIENTE DELALGORITMO

TEMA 1: INTRODUCCIÓN

-^

BASES DE DATOS DISPONIBLES EN LAB:– Comunicaciones: Detección de Símbolos.– Reconocimiento de Fonemas.– Análisis de datos médicos: Detección de

Enfermedades

• OCR (Reconocimiento Óptico de Caracteres)– Identificación de ADN– SPAM: Reconocimiento de correo electrónico basura.– Titanic– Base de datos: Voces (Señales de audio).– Base de datos: Brain: Imágenes de cortes cerebrales– Nuevas????????

Ejemplo 1: Símbolo 1 ó Símbolo 2^ Preprocesado:^ Down-Conversión oFiltrosadaptados^ ExtracciónCaracterísticas^ Muestreo^ Clasificación:^ Detección MAP

Ejemplo 3:

Diagnóstico de enfermedades cardiacas^ Ejemplo:^ BASE DE DATOS SHEART: utilizada para predicción del riesgo decontraer enfermedad cardiaca

VECTOR DE CARACTERÍSTICAS: (análisis de sangre, tabaquismo,antecedentes familiares, obesidad, consumo de alcohol, edad)

•Identificar las características más significativas para determinarla enfermedad.•Predecir a partir de cada vector la probabilidad de sufrir unataque de miocardio

Ejemplo 3:Base de Datos SheartSample of males in a heart-disease high-risk region of the WesternCape, South Africa.sbp

systolic blood pressure

tobacco

cumulative tobacco (kg)

ldl

low densiity lipoprotein cholesterol

adiposityfamhist

family history of heart disease (Present, Absent)

typea

type-A behavior

obesityalcohol

current alcohol consumption

age

age at onset

chd

response, coronary heart disease

52

49

1

12

160

age

alc

Ob.

A

fa

Adip.

ldl

tob

sbp

Ejemplo 4:

Base de PHONEME

SampligFrequency = 8KHzLOG(ESPECTRUM)aa

ao dcl

iy sh

695 1022 7571163 872Figure: FeatureVector Dimension= 64

Ejemplo 4:

Base de PHONEME, Scatter Plot

Etapas en el algoritmo de

clasificación:

Pre - Procesado

Extracción de un vector de características(Feature Extractor)

Clasificación

Pre-Procesado

MáquinaDecisión:Clasificación

Extracción deCaracterísticas

Vectordimensión =

d

Clase

Etapas en el Diseño del

Sistema de Reconocimiento

ColeccionarDatos

ElecciónAlgoritmoClasificación

Selección deCaracterísticas

Base de Datosde Train

TrainClasificador

TestClasificador

Base de Datosde Test

SistemaClasificador(Algoritmo)

Dividir Base de Datos en “ nuevasBases de datos: Train, Test 2.

Selección de Características 3.

Selección Algoritmo de Clasificación 4.

Entreno del Algoritmo 5.

Test del Algoritmo

Selección de 1 ó 2 características

-1.^

-^

-0.^

0

0.^

1

1.5^1 0.5^0 -0.5 -1 -1.

-^

-1.^

-^

-0.^

0

0.^

1

1.^

2

(^2) 1.5 (^1) 0.5 (^0) -0.5 -1 -1.5 -

Selección de características

Longitud del pescado: Gran error de ClasificaciónHISTOGRAMA: