El reconocimiento de patrones es una área de la tecnología conocido como Aprendizaje de Maquinas (Machine Learning) o Aprendizaje Automático



Descargar 14,74 Kb.
Fecha de conversión09.02.2017
Tamaño14,74 Kb.

RECONOCIMIETO DE PATRONES

El reconocimiento de patrones es una área de la tecnología conocido como Aprendizaje de Maquinas (Machine Learning) o Aprendizaje Automático.

  • El reconocimiento de patrones es una área de la tecnología conocido como Aprendizaje de Maquinas (Machine Learning) o Aprendizaje Automático.
  • Clasificar un patrón de prueba en una determinada clase ó categoría
  • Se determina la clase del patrón de prueba comparándolo con un conjunto previo (de entrenamiento), ya clasificado

El objetivo es clasificar patrones en base a un conocimiento a priori o información estadística extraída de los patrones. Los patrones a clasificar suelen ser grupos de medidas u observaciones, definiendo puntos en un espacio multidimensional apropiado

  • El objetivo es clasificar patrones en base a un conocimiento a priori o información estadística extraída de los patrones. Los patrones a clasificar suelen ser grupos de medidas u observaciones, definiendo puntos en un espacio multidimensional apropiado
  • Un sistema de reconocimiento de patrones completo consiste en un sensor que recoge las observaciones a clasificar, un sistema de extracción de características que transforma la información observada en valores numéricos o simbólicos, y un sistema de clasificación o descripción que, basado en las características extraídas, clasifica la medición.
  • EJEMPLOS
  • Reconocimiento del rostro de una persona
  • Reconocimiento de huellas digitales
  • Identificar la llave para abrir una chapa
  • Agrupación de palabras para hacer sentido en una frase
  • Olores para saber si una naranja está fresca o podrida.

ENFOQUES:

  • ENFOQUES:
  • Sintáctico Estructural: Utiliza patrones físicos. Una representación geométrica
  • Estadístico: Utiliza patrones abstractos, determinados por sus características.

Teoría de Conjuntos

  • Teoría de Conjuntos
  • -Extensión: Se tiene la lista de elementos del conjunto y se determina si el elemento incógnita está en la lista (conjuntos finitos)
  • -Intención: Se tiene la propiedad que caracteriza a los elementos del conjunto y se verifica si el elemento incógnita cumple la propiedad

Ejemplos:

  • Ejemplos:
  • a) C1 = { 2,4,6,8 } C2 = { 1,3,5,7 }
  • 3 ? Se determina a cuál conjunto pertenece el 3
  • b) C1 = números pares C2 = números impares
  • 8 ? Se utiliza la propiedad X mod 2 para determinar la pertenencia
  • c) C1 = { , } C2 = { , }
  • ? Se utiliza la propiedad de convexidad
  • d) C1 = 1 (1|0)* 0 C2 = 0 (0|1)* 1 C3 = ….
  • 11011010 ? Se utiliza la regularidad de la expresión regular

Ejemplos:

  • Ejemplos:
  • e) Diagnóstico médico: Sobre la base de informaciones almacendas en Historias Clínicas se tiene una sucesión de pacientes:
  • P1, P2, P3,…,Pm1 que padecen la enfermedad E1
  • Pm1+1, Pm1+2, …, Pm2 que padecen la enfermedad E2 y asi sucecivamente
  • Px ?
  • Problemas
  • - No se descarta que un paciente tenga más de una enfermedad
  • - No se tiene el listado completo de pacientes que padecieron cada una de las enfermedades
  • - No se tiene una propiedad que caracterice a cada enfermedad

Punto de Vista Formal:

  • - Consideremos un universo de objetos admisibles M
  • - K1, K2 ,…, Kr subconjuntos propios, donde Ki TM
  • - R = { X1, X2, …, XN } Conjunto de rasgos ó características que describen a los objetos
  • - Cada rasgo posee un conjunto de valores admisibles, incluyendo ausencia de información
  • Ejemplo:
  • R = { color, área, forma }
  • color = {rojo, verde, azul }
  • área = número real
  • forma = { convexa, no convexa }

Punto de Vista Formal:

  • - Una descripción estándar de un objeto O es un n-uplo:
  • I(O) = ( X1(O), X2(O), … Xn(O) )
  • La descripción es completa si todos los valores de los rasgos son conocidos.
  • Ejemplo:
  • I(O) = ( verde, 23.5, convexo )

Función de comparación:

  • Permite comparar individualmente los rasgos de dos obejtos.
  • Existe una función de comparación por cada rasgo (N rasgos, N funciones):
  • Ci ( Xi(Op), Xi(Oq) ) Y { 0,1 }
  • Estas N funciones sirven para comparar individualmente los rasgos de los objetos, pero no para decidir si los objetos son semejantes

Función de semejanza:

  • Permite comparar dos objetos en base a los valores de sus rasgos.
  • S ( I(Op), I(Oq) ) Y { 0,1 }
  • R-uplo de Pertenencia de O
  • P(O) = ( P1(O), P2(O),…,Pr(O) )
  • Se define como un vector de r valores que indican la pertenencia ó no del Objeto O a cada una de las r clases (K1, K2 ,…, Kr )
  • Cada valor Pi(O) es 1 ó 0 si O pertenece ó no a Ki

Información Estándar de Clases:

  • Es la información que recoge la descripción de todos los objetos conocidos por cada clase
  • I(Ki)= ( I(Oi1), P(Oi1),
  • I(Oi2), P(Oi2)…,
  • I(Oiz), P(Oiz) )
  • Matriz de aprendizaje (de control ó muestra):
  • I0 = ( I(K1), I(K2), …, I(Kr) )

Ejemplo:

  • Supongamos que tenemos 5 clases (A,B,C,D,E) (r=5)
  • Y los siguientes objetos con sus rasgos y sabemos, a priori, que clase pertenece cada objeto
  • O1 = (rojo,4.2,convexo) Clase A
  • O2 = (verde,3.5,convexo) Clase A
  • O3 = (rojo, 2, no convexo) Clase B
  • O4 = (verde, 1.3, no convexo) Clase B
  • O5 = (rojo, 6.9, convexo) Clase C
  • O6 = (verde, 8, no convexo) Clase C
  • O7 = (azul,10, convexo) Clase D
  • O8 = (azul, 9, no convexo) Clase E

Matriz de aprendizaje:

  • I(O) P(O)
  • (rojo, 4.2, convexo), (1, 0, 0, 0, 0)
  • (verde,3.5,convexo), (1, 0, 0, 0, 0)
  • (rojo, 2, no convexo), (0, 1, 0, 0, 0)
  • (verde, 1.3, no convexo), (0, 1, 0, 0, 0)
  • (rojo, 6.9, convexo), (0, 0, 1, 0, 0)
  • (verde, 8, no convexo), (0, 0, 1, 0, 0)
  • (azul,10, convexo), (0, 0, 0, 1, 0)
  • (azul, 9, no convexo), (0, 0, 0, 0, 1)

El problema ahora consiste en: Dado una matriz de aprendizaje (ó control) y los rasgos de un conjunto de objetos de los cuales no conocemos sus clases, encontrar un Algoritmo que permita clasificarlos. A ( Io, I(O) ) = ( P1(O), P2(O),…,Pr(O) )

Problemas de Reconocimiento de Patrones:

  • Problemas de Reconocimiento de Patrones:
  • 1) Selección de rasgos:
  • -Mejorar la clasificación (más rápido, menos información)
  • -Para encontrar mejores soluciones, ya que los objetos se describen de manera más eficiente

Problemas de Reconocimiento de Patrones:

  • Problemas de Reconocimiento de Patrones:
  • 2) Clasificación
  • Con aprendizaje ó supervisada: Se conoce que el universo de objetos se agrupan en las r clases de las cuales tenemos una muestra que conocemos a que clases pertenecen (matriz de aprendizaje)

Problemas de Reconocimiento de Patrones:

  • Problemas de Reconocimiento de Patrones:
  • 2) Clasificación
  • Con aprendizaje parcial ó parcialmente supervisada: Se conoce que el universo de objetos, pero existen clases para las cuales no tenemos objetos en la matriz de aprendizaje. No tenemos información de todas las clases.

Problemas de Reconocimiento de Patrones:

  • Problemas de Reconocimiento de Patrones:
  • 3) Agrupamiento (cluster analysis)
  • Tenemos los objetos sin clasificar. No conocemos las clases y el problema consiste entonces en agruparlos por rasgos “comunes”. También llamado clasificación no supervisada.

Ejemplos de funciones de comparación de rasgos:

  • Ejemplos de funciones de comparación de rasgos:
  • Dependen del dominio de los valores de los rasgos
  • Por igualdad: Cuando los dos rasgos son iguales
  • Por intervalo: Cuando los dos rasgos se encuentran en un mismo intervalo
  • Por diferencia: Cuando el valor absoluto de la diferencia de los dos rasgos es menor que un ε (márgen de error)
  • Por conjunto: Cuando los dos rasgos pertenecen al mismo conjunto
  • Por relación: Cuando la división de la diferencia de los rasgos entre la diferencia entre los valores máximos y mínimos es menor que un ε (márgen de error)

La función de semejanza

  • La función de semejanza
  • S ( I(Op), I(Oq) )
  • Debe elegirse de acuerdo a las funciones de comparación de rasgos. Por ejemplo para decidir la semejanza ó no podría tomarse el criterio de la cantidad de rasgos que fueron “iguales” (cantidad máxima que pueden ser diferentes y cantidad mínima que deben ser iguales)

Selección de rasgos

  • Selección de rasgos
  • El problema consiste en determinar para un conjunto de objetos, que conocemos su clasificación cuál es el conjunto de rasgos mínimos que debemos seleccionar para realizar correctamente la clasificación.
  • - Testores Típicos
  • Algoritmo BT
  • Zhuravliov (con peso informacional de variables)

Clasificación

  • Clasificación
  • Algunos algoritmos con aprendizaje:
  • - KORA-3 (2 clases, rasgos booleanos)
  • - Conjunto de representantes (r clases no disjuntas)
  • - NN (Nearest Neighbor) (r clases)
  • - Medios o centros
  • - Superficies de separación (perceptron)

Clasificación

  • Clasificación
  • Algunos algoritmos sin aprendizaje:
  • - CLASS (sin aprendizaje, clustering)
  • - Análisis discriminante
  • - Clasificación de Bayes (enfoque estadístico)
  • - Vector Quantization
  • - Mapas topológicos de Kohonen

Clasificación

  • Clasificación
  • Algoritmo NN (Nearest Neighbour)
  • Fase de Aprendizaje:
  • - Se determina, en primer lugar, en cuantas clases diferentes vamos a realizar la clasificación.
  • - Se determinan los rasgos que caracterizan a los objetos
  • - Se busca una muestra de objetos para cada clase y se le calculan sus rasgos, para formar la matriz de aprendizaje

Clasificación

  • Clasificación
  • Algoritmo NN (Nearest Neighbour)
  • Fase de Clasificación:
  • - Se calculan los rasgos del objeto y se calcula la "distancia" a cada uno de los objetos de la muestra
  • - La clasificación del nuevo objeto corresponde a la clase a la que pertenece aquel objeto de la muestra cuya distancia sea la mas cercana al nuevo objeto

Ejemplo:

  • Ejemplo:
  • Los objetos son figuras geométricas.
  • Tres clases A, B y C que representan objetos redondos, semi-alargados y alargados respectivamente
  • Tendremos un solo rasgo, calculado en base a la división entre el diámetro mayor y menor del objeto
  • Tendremos un conjunto de objetos cuyos rasgos y clasificación conocemos
  • Supongamos que queremos clasificar un nuevo objeto cuyo rasgo es igual a: 1.6
  • Habría que calcular la “distancia” entre ese objeto y los de la muestra para determinar cuál es el más cercano.
  • En este caso el mas cercano es el que tiene como rasgo 1.737, que pertenece a la clase B
  • Por tanto:
  • La clase a la que pertenece el nuevo objeto es la B
  • Distancia:
  • Tomaremos como media de distancia entre los dos obejtos el valor absoluto de la resta de sus rasgos. En este caso, porque cada objeto posee un solo rasgo.
  • Para el caso de N rasgos podemos utilizar la distancia Euclidiana
  • Distancia(Op,Oq) = ( Xi(Op) - Xi(Oq) ) 2


La base de datos está protegida por derechos de autor ©absta.info 2016
enviar mensaje

    Página principal