Resumen

Este artículo presenta un marco de aprendizaje no supervisado por ensamblaje que adopta la información procedente del proceso de aprendizaje supervisado y ofrece el algoritmo de aplicación correspondiente. El algoritmo consta de dos fases: en primer lugar, extraer y agrupar los datos representativos (DR) para obtener datos de entrenamiento etiquetados y, a continuación, clasificar los datos no representativos basándose en los DR etiquetados. El algoritmo de implementación se denomina SDSN, ya que emplea la descripción del dominio de vectores de soporte a escala de ajuste para recopilar los DR, utiliza el método basado en el espectro para agrupar los DR y adopta el clasificador del vecino más próximo para etiquetar los no DR. La validación del procedimiento de agrupación de la primera fase se analiza teóricamente. En la segunda fase, se define una nueva métrica en función de los datos para que el clasificador del vecino más próximo pueda trabajar con información fundamentada. Se proporciona un enfoque de entrenamiento rápido para la extracción de DRs con el fin de lograr una mayor eficiencia. Los resultados experimentales sobre conjuntos de datos sintéticos y reales verifican que la idea propuesta es correcta y eficaz, y que SDSN goza de mayor popularidad en la práctica que el procedimiento tradicional de clustering puro.

• Materias:Matemáticas Análisis Matemático Álgebra Ingeniería Matemática aplicada Lógica matemática
• Subjects:mathematics Mathematical Analysis Algebra Engineering Applied Mathematics Mathematical logic
• Palabras claves:drs, clasificador del vecino más próximo, descripción del dominio del vector de soporte, procedimiento tradicional de agrupación pura, algoritmo de aplicación correspondiente, enfoque de formación rápida, proceso de aprendizaje supervisado, marco de aprendizaje no supervisado, sdsn, resultados experimentales
• Keywords:drs, nearest neighbor classifier, support vector domain description, traditional pure clustering procedure, corresponding implementation algorithm, fast training approach, supervised learning process, unsupervised learning framework, sdsn, experimental results