Resumen

El k nearest neighbor es uno de los procedimientos más importantes y sencillos para la tarea de clasificación de datos. El kNN, como se denomina, sólo requiere dos parámetros: el número de k y una medida de similitud. Sin embargo, el algoritmo tiene algunos puntos débiles que hacen imposible su uso en problemas reales. Dado que el algoritmo no tiene un modelo, es necesaria una comparación exhaustiva del objeto en análisis de clasificación y todo el conjunto de datos de entrenamiento. Otro punto débil es la elección óptima del parámetro k cuando el objeto analizado se encuentra en una región de solapamiento. Para mitigar estos aspectos negativos, en este trabajo se propone un algoritmo híbrido que utiliza la red neuronal artificial Self-Organizing Maps (SOM) y un clasificador que utiliza la medida de similitud basada en la información. Dado que SOM tiene las propiedades de cuantificación vectorial, se utiliza como un enfoque de generación de prototipos para seleccionar un conjunto de datos de entrenamiento reducido para el enfoque de clasificación basado en la regla del vecino más cercano con medida de información, denominada iNN. La combinación SOMiNN fue experimentada exhaustivamente y los resultados muestran que el enfoque propuesto presenta una precisión importante en bases de datos en las que la región fronteriza no tiene las clases de objetos bien definidas.

• Materias:Algoritmos genéticos Cerebro - fisiopatología Neurociencia Cognitiva Fisiología vegetal
• Subjects:Genetic algorithms Brain - pathophysiology Cognitive Neuroscience Plant physiology
• Palabras claves:medidas de similitud, conjunto de datos de entrenamiento reducido, red neuronal artificial, tarea de clasificación de datos, reglas de vecinos más cercanos, propiedad del vector, enfoque de generación de prototipos, comparación exhaustiva, enfoque de clasificación, combinación de somin
• Keywords:similarity measures, reduced training dataset, artificial neural network, data classification task, nearest neighbors rules, property of vector, prototype generation approach, exhaustive comparison, classification approach, sominn combination