Capítulo 3. Clasificadores Débiles - AdaBoost- Uso de características no lineales para identificar llantos de recién nacidos con un conjunto clasificador - Departamento de Computación, Electrónica y MecatrónReport as inadecuate




Capítulo 3. Clasificadores Débiles - AdaBoost- Uso de características no lineales para identificar llantos de recién nacidos con un conjunto clasificador - Departamento de Computación, Electrónica y Mecatrón - Download this document for free, or read online. Document in PDF available to download.

Capítulo 3. Clasificadores Débiles - AdaBoost- Uso de características no lineales para identificar llantos de recién nacidos con un conjunto clasificador - Departamento de Computación, Electrónica y Mecatrónica. - Licenciatura en Ingeniería Mecatrónica. - Escuela de Ingeniería - Universidad de las Américas Puebla.

Author: Morales Sánchez, Alberto Alejandro

Source: http://catarina.udlap.mx/


Teaser



Capı́tulo 3 Clasificadores Débiles - AdaBoost El término boosting hace referencia a un tipo de algoritmos cuya finalidad es encontrar una hipótesis fuerte a partir de utilizar hipótesis simples y débiles.
Durante este trabajo se hablará del algoritmo AdaBoost, el cual fue creado por Freund y Schapire y es un diseño mejorado del boosting original; y de sus diferentes variantes [Freund and Schapire E., 1996]. AdaBoost es una contracción de “Adaptive Boosting”, en donde el término Adaptive hace alusión a su principal diferencia con su predecesor.
En términos de funcionalidad son iguales, ambos algoritmos buscan crear un clasificador fuerte cuya base sea la combinación lineal de clasificadores “débiles simples” ht (x).
Sin embargo, AdaBoost propone entrenar una serie de clasificadores débiles de manera iterativa, de modo que cada nuevo clasificador o “weak learner ” se enfoque en los datos que fueron erróneamente clasificados por su predecesor, de esta manera el algoritmo se adapta y logra obtener mejores resultados. En este punto cabe aclarar que el tipo de AdaBoost sobre el que se trabajó en esta investigación es el binario; esto significa que sólo se trabaja con dos tipos de datos los 21 cuales se representan con 1 y −1, por lo tanto el resultado se expresa como ”pertenece a x clase-no pertenece a x clase”.
La contraparte del tipo binario es el tipo multiclase, cuya caracterı́stica es que puede diferenciar entre numerosos tipos de datos pero tiene una complejidad de análisis mayor. Una de las formas más sencillas de entender la finalidad de este tipo de algoritmos es mediante el ejemplo que se da en [Freund and Schapire E., 1999] y en [Corso, ].
El primer ejemplo considera a una persona experta en apuestas de carreras de caballos, dicho personaje puede tener varias estrategias para determinar al posible ganador en una carrera especı́fica, por ejemplo basándose en mayor número de carreras ganadas,...






Related documents