Resumen

La representación dispersa ha sido utilizada con éxito en el reconocimiento de patrones y el aprendizaje automático. Sin embargo, la mayoría de los métodos de clasificación basados en representación dispersa existentes se utilizan para lograr la mayor precisión de clasificación, asumiendo las mismas pérdidas para diferentes clasificaciones erróneas. Sin embargo, esta suposición puede no ser válida en muchas aplicaciones prácticas, ya que diferentes tipos de clasificaciones erróneas podrían llevar a diferentes pérdidas. En aplicaciones del mundo real, muchos conjuntos de datos tienen un desequilibrio en la distribución de clases. Para abordar estos problemas, proponemos un método de clasificación basado en representación dispersa sensible al costo (CSSRC) para el problema de desequilibrio de clases utilizando modelado probabilístico. A diferencia de los métodos de SRC tradicionales, predecimos la etiqueta de clase de las muestras de prueba minimizando las pérdidas por clasificación errónea, que se obtienen mediante el cálculo de las probabilidades posteriores. Los resultados experimentales en las bases de datos de UCI valid

• Materias:Difusión de información Inteligencia de enjambre Programación híbrida Modelo de programación Máquinas virtuales
• Subjects:Information dissemination Swarm intelligence Hybrid programming Programming model Virtual machines
• Palabras claves:Representación dispersa; Clasificación; Clasificación errónea; Desequilibrio; Sensible al costo; Modelado probabilístico
• Keywords:Sparse representation; Classification; Misclassification; Imbalance; Cost-sensitive; Probabilistic modeling