Clasificadores de Patrones: Asociativos y k-NN

 
 

 

 
          

(Se recomienda al amable lector que, si no lo ha hecho, lea previamente las secciones: Memorias Asociativas y Reconocimiento de Patrones)

De los diferentes enfoques del Reconocimiento de Patrones hay dos que sobresalen porque comparten dos notables características: su sencillez y su alta eficacia.

Uno es el clasificador k-NN, el cual es un modelo de mínima distancia y se ubica en los clasificadores basados en métricas. Las letras NN son las iniciales de dos palabras en inglés, Nearest Neighbor, cuyo significado en español es "el vecino más cercano". La letra k tiene qué ver con el número de patrones que se consideran para tomar la decisión; así, se habla del clasificador 1-NN, o del 3-NN y usualmente k es un número entero non.

La sencillez conceptual con la cual se concibió el algoritmo k-NN lo ha hecho muy popular. El método del k-NN calcula la distancia de un patrón de prueba respecto a cada elemento del conjunto fundamental, ordena las distancias de menor a mayor y retiene la clase que se obtiene por majority entre los k patrones más cercanos [1].

El otro enfoque de Reconocimiento de Patrones preferido por el Grupo de Investigación Alfa-Beta es el enfoque asociativo, mismo que fue creado en el Centro de Investigación en Computación del IPN en el año 2002.

El enfoque asociativo se inició con un trabajo de tesis de maestría en ciencias de la computación [2], desarrollada por Raúl Santiago Montero, dirigida por el Dr. Cornelio Yáñez Márquez y codirigida por el Dr. Juan Luís Díaz de León Santiago. Esta tesis, cuyo título es Clasificador híbrido de patrones basado en la Lernmatrix de Steinbuch y el Linear Associator de Anderson-Kohonen, fue defendida por su autor el 24 de octubre de 2003, y ganó el Primer Lugar en el XVII Certamen Nacional de Tesis de Informática y Computación a nivel Maestría en la Categoría de Computación, premio otorgado por la ANIEI (Asociación Nacional de Instituciones de Educación en Informática), el 22 de octubre de 2004.

Además, considerando la importancia de sus aportaciones, la tesis fue seleccionada por la Biblioteca Nacional de Ciencia y Tecnología como una de las Tesis Relevantes del año 2005.

El enfoque asociativo para clasificación y recuperación de patrones ha mostrado ser competitivo respecto de los demás enfoques, y ha abierto una veta importante de investigación para quienes se interesen en lograr modelos eficaces, sencillos y con un gran potencial de aplicaciones, además de las posibilidades de desarrollo teórico [3-8].


Se recomienda al amable lector que continúe en la sección: Aplicaciones.

Referencias
 [1] Flores Carapia, R. & Yáñez Márquez, C. (2005). Minkowski's Metrics-Based k-NN Classifier
     Algorithm: A Comparative Study, Research on Computing Science, Vol. 14, IPN México,
     pp. 191-202. ISSN 1665-9899.
 [2] Santiago Montero, Raúl (2003). Clasificador híbrido de patrones basado en la Lernmatrix
     de Steinbuch y el Linear Associator de Anderson-Kohonen, Tesis de Maestría en Ciencias
     de la Computación, CIC-IPN, México.
 [3] Santiago Montero, R., Díaz-de-León Santiago, J.L. & Yáñez Márquez, C. (2003).
     "Clasificador asociativo de patrones: avances teóricos", in Díaz de León-Santiago, J.L.,
     González-Santos, G. & Figueroa-Nazuno, J. (Eds.) "Avances en: Ciencias de la Computación",
     Special Edition, Research on Computing Science Series, Vol. 3, ISBN 970-36-0194-4, CIC-IPN,
     México, pp. 257-267.
 [4] Sánchez Garfias, F.A., Díaz-de-León Santiago, J.L. & Yáñez Márquez, C. (2004). Lernmatrix
     de Steinbuch: avances teóricos, Computación y Sistemas (Revista Iberoamericana de
     Computación incluida en el Índice CONACyT), Vol. 7, No. 3, México, pp. 175-189.
     ISSN 1405-5546.
 [5] Sánchez Garfias, F.A., Díaz-de-León Santiago, J.L. & Yáñez Márquez, C. (2004). New Results
     on the Lernmatrix Properties, in Figueroa-Nazuno, J., Gelbukh-Kahn, A., Yáñez-Márquez, C.
     & Camacho-Nieto, O. (Eds.) "Advances in: Artificial Intelligence, Computing Science, and
     Computer Engineering", Special Edition, Research on Computing Science Series, Vol. 10,
     ISBN 970-36-0194-4, CIC-IPN, México, pp. 91-102.
 [6] Sánchez-Garfias, F.A., Díaz-de-León Santiago, J.L & Yáñez-Márquez, C. (2005). A new
     theoretical framework for the Steinbuch's Lernmatrix, en Proc. Optics & Photonics 2005,
     Conference 5916 Mathematical Methods in Pattern and Image Analysis, organizado por la SPIE
     (International Society for Optical Engineering), San Diego, CA., del 31 de julio al 4 de
     agosto de 2005. 
 [7] Argüelles, A.J., Yáñez, C., Díaz-de-León Santiago, J.L & Camacho, O. (2005). Pattern
     recognition and classification using weightless neural networks and Steinbuch Lernmatrix,
     en Proc. Optics & Photonics 2005, Conference 5916 Mathematical Methods in Pattern and
     Image Analysis, organizado por la SPIE (International Society for Optical Engineering),
     San Diego, CA., del 31 de julio al 4 de agosto de 2005.
 [8] Sánchez Garfias, F.A., Yáñez Márquez, C. & Díaz de León Santiago, J.L. (2005). Manual
     Experimental del Software Enfoque Asociativo, IT-103, Serie Roja, ISBN 970-36-0275-4,
     CIC-IPN, México.

 

          
 

 

 

[INICIO] [INVESTIGACIÓN] [TRABAJOS] [CONTACTO] [VÍNCULOS] [MAPA DE SITIO]

 

webmaster@aldape.org.mx