Resumen

El clasificador de máxima verosimilitud (MLC) y las máquinas de vectores de apoyo (SVM) son dos enfoques comúnmente utilizados en el aprendizaje automático. El MLC se basa en la teoría bayesiana para estimar los parámetros de un modelo probabilístico, mientras que la SVM es un método no paramétrico basado en la optimización en este contexto. Recientemente, se ha descubierto que la SVM en algunos casos es equivalente a la MLC en el modelado probabilístico del proceso de aprendizaje. En este trabajo, MLC y SVM se combinan en el aprendizaje y la clasificación, lo que ayuda a obtener una salida probabilística para SVM y facilitar la toma de decisiones suaves. En total se utilizan cuatro grupos de datos para las evaluaciones, que abarcan el sonar, el vehículo, el cáncer de mama y las secuencias de ADN. Las muestras de datos se caracterizan en términos de distribución gaussiana/no gaussiana y de muestras equilibradas/no equilibradas, que luego se utilizan para evaluar el rendimiento al comparar el clasificador SVM y el combinado SVM-MLC. Se presentan resultados interesantes que indican cómo puede funcionar el clasificador combinado en diversas condiciones.

• Materias:Inteligencia artificial Algoritmos genéticos Ingeniería civil Neurociencia Cognitiva
• Subjects:Artificial intelligence Genetic algorithms Civil engineering Cognitive Neuroscience
• Palabras claves:svm, mlc, términos de gaussiano, grupo de datos, métodos no paramétricos basados, clasificador de máxima probabilidad, toma de decisiones suave, svm combinado, clasificador mlc, secuencia de adn
• Keywords:svm, mlc, terms of gaussian, group of data, based nonparametric methods, maximum likelihood classifier, soft decision making, combined svm, mlc classifier, dna sequence