Resumen

El análisis de componentes de entropía del núcleo (KECA) es un método de reducción de la dimensionalidad (DR) recientemente propuesto, que ha demostrado su superioridad en muchos problemas de análisis de patrones previamente resueltos por el análisis de componentes principales (PCA). El KECA optimizado (OKECA) es una variante de vanguardia del KECA y puede devolver proyecciones que conservan más poder expresivo que el KECA. Sin embargo, OKECA es sensible a los valores atípicos y se le acusa de su alta complejidad computacional debido a sus propiedades inherentes de la norma L2. Para manejar estos dos problemas, desarrollamos una nueva extensión de KECA, a saber, KECA-L1, para la RD o extracción de características. KECA-L1 tiene como objetivo encontrar una matriz de descomposición del kernel más robusta, de forma que las características extraídas conserven al máximo el potencial de información, que se mide por la norma L1. En consecuencia, diseñamos un algoritmo iterativo que tiene una convergencia mucho más rápida que la de OKECA. Además, se desarrolla un clasificador general semisupervisado para los métodos basados en KECA y se emplea en la clasificación de datos. Amplios experimentos de clasificación de datos y predicción de defectos de software demuestran que nuestro nuevo método es superior a la mayoría de los enfoques existentes basados en KECA y PCA. El código también se ha puesto a disposición del público.

• Materias:Biotecnología Minería de datos Algoritmos genéticos Cerebro - fisiopatología Neurofisiología
• Subjects:Biotechnology Data mining Genetic algorithms Brain - pathophysiology Neurophysiology
• Palabras claves:keca, clasificación de datos, alta complejidad computacional, okeca, variante de keca, propiedad de l2-norm, clasificador general semisupervisado, problemas de análisis de patrones, análisis de componentes principales, matriz de descomposición del núcleo
• Keywords:keca, data classification, high computational complexity, okeca, variant of keca, property of l2-norm, general semisupervised classifier, pattern analysis issues, principal components analysis, kernel decomposition matrix