Resumen

La clasificación de grandes conjuntos de datos se utiliza ampliamente en muchas aplicaciones industriales. Es una tarea desafiante clasificar grandes conjuntos de datos de manera eficiente, precisa y robusta, ya que estos siempre contienen numerosas instancias con un espacio de características de alta dimensionalidad. Para hacer frente a este problema, en este artículo presentamos un modelo de aprendizaje métrico basado en la divergencia Logdet en línea (LDML) haciendo uso de la potencia del aprendizaje métrico. En primer lugar, generamos una matriz de Mahalanobis mediante el aprendizaje de los datos de entrenamiento con el modelo LDML. Al mismo tiempo, proponemos una representación comprimida para la matriz de Mahalanobis de alta dimensionalidad para reducir la complejidad computacional en cada iteración. La matriz de Mahalanobis final obtenida de esta manera mide las distancias entre las instancias con precisión y sirve como base de los clasificadores, por ejemplo, el clasificador de los k-vecinos más cercanos. Experimentos en conjuntos de datos de referencia demuestran que el algoritmo propuesto se

• Materias:Ecuaciones diferenciales Ecuaciones integrales Variables independientes Sistemas dinámicos Combinaciones convexas
• Subjects:Differential equations Integral equations Independent variables Dynamic systems Convex combinations
• Palabras claves:Conjuntos de datos grandes; Clasificación; Aprendizaje métrico; Matriz de Mahalanobis; Instancias; Clasificador de vecinos más cercanos
• Keywords:Large data sets; Classification; Metric learning; Mahalanobis matrix; Instances; Nearest neighbors classifier