Resumen

Dentro de los métodos kernel, se ha propuesto un algoritmo de clasificación kernel credal mejorado (KCCR). El algoritmo KCCR utiliza la distancia euclidiana en la función del núcleo. En este artículo, proponemos sustituir la distancia euclidiana en el núcleo por una métrica Mahalanobis regularizada. La distancia de Mahalanobis tiene en cuenta la dispersión de los datos y la correlación entre las variables. Se diferencia de la distancia euclidiana en que tiene en cuenta la varianza y la correlación del conjunto de datos. La solidez del método se comprueba utilizando datos sintéticos y una base de datos de referencia. Por último, se utilizó un conjunto de datos de microarrays de ADN del conjunto de datos de la leucemia para mostrar el rendimiento de nuestro método en una aplicación del mundo real.

• Materias:Biotecnología Minería de datos Algoritmos genéticos Cerebro - fisiopatología Neurofisiología
• Subjects:Biotechnology Data mining Genetic algorithms Brain - pathophysiology Neurophysiology
• Palabras claves:distancia euclidiana, algoritmo de clasificación credal, datos de microarray de adn, conjunto de adn, métrica mahalanobis regularizada, conjunto de datos de leucemia, algoritmo kccr, base de datos de referencia, métodos, datos sintéticos
• Keywords:euclidean distance, credal classification algorithm, dna microarray data, set of dna, regularized mahalanobis metric, leukemia dataset, kccr algorithm, benchmark database, methods, synthetic data