Sintonización De Parámetros Con Algoritmos De Retro-Propagación Para Sistemas De Clasificación Basados En Redes Neuronales

1

Sintonizaci´ n de Par´ metros con Algoritmos de o a Retro-propagaci´ n Para Sistemas de Clasificaci´ n o o Basados en Redes Neuronales
Samir Barguil, Member IEEE, Daniel Reyes, Member IEEE, Jonatan Aponte, Member, IEEE

Resumen—El problema de clasficaci´ n de patrones ha estado o presente en los ultimos tiempos como un objeto de estudio en lo que respecta al aprendizaje de m´ quina. Dada suutilidad se a han desarrollado modelos y m´ todos para realizar clasificaci´ n e o ˜ de patrones cada vez con un mejor grado de desempeno. La diferencia de uno a otro m´ todo es en realidad muy relativa, e en este art´culo se pretende contribuir al an´ lisis y desarrollo ı a de las t´ cnicas de clasificaci´ n mediante Redes Neuronales, e o aprovechando algunas de sus ventajas frente a otro tipo det´ cnicas usadas en la actualidad. Se proponen tres prolemas e de clasificaci´ n: Clasificaci´ n de la calidad del vino a partir o o de sus propiedades fisico-qu´micas, Detecci´ n de la enfermedad ı o ˜ de Parkinson a partir del procesamiento digital de senales de voz, Clasificaci´ n de particulas a partir de par´ metros obtenidos o a ˜ del telescopio cherenkov (MAGIC) y se evalua el desempeno de lasredes neuronales como clasificadores modificando diferentes ˜ ´ par´ metros de diseno como el numero de neuronas en la capa a oculta y el m´ todo de entrenamiento, con el fin de medir la e ˜ influencia de estos par´ metros en el desempeno de la clasificaci´ n. a o ˜ Finalmente, se comparan los resultados de desempeno obtenidos en sistemas de Redes neuronales contra los obtenidos en sistemas deinferencia difusa ajustados mediante computaci´ n evolutiva. o Index Terms—Aprendizaje de M´ quina, Redes Neuronales a Artificiales, Algoritmos de Retropropagaci´ n, Aprendizaje Suo pervisado, Sistemas de Inferencia Difusa, Sistemas Clasificadores, TEC (Tasa de Error de Clasificaci´ n). o

I.

´ I NTRODUCCI ON

L problema de clasificaci´ n es un tema fundamental en o el aprendizaje de m´ quina,reconocimiento de patrones a y estad´stica [1]. El problema de clasificaci´ n se resume a ı o la asignaci´ n de un objeto a alg´ n determinado grupo o clase o u basado en un conjunto de datos. Tanto la clasificaci´ n bi-clase o como la multi-clase ha sido objeto de un amplio estudio tanto emp´rico como te´ rico, que ha llevado a la construcci´ n de una ı o o serie metodolog´as y t´ cnicas que han permitidola soluci´ n ı e o ´ de problemas en diferentes areas como la predicci´ n de o bancarrota [2] [3] [4], econom´a [5], inspecci´ n de productos ı o [6] [7], reconocimiento de voz [8], detecci´ n de fallos [9], o diagn´ stico m´ dico [10] [11], entre otros. Los enfoques que o e se han trabajado para resolver este tipo de problemas son

E

muy variados, aquellos basados en aprendizaje supervisado[12] y no supervisado [13], Arboles de decisi´ n , Clasificaci´ n o o estad´stica [14], Redes neuronales [15], M´ quinas de soporte ı a vectorial (SVM por sus siglas en ingl´ s) [16], Sistemas de e inferencia difusa [17], K vecino m´ s cercano (K-nn por sus a siglas en ingl´ s) [18], K-means [19], Mapas auto-organizados e [20], entre otros. ´ Sin embargo se ha confirmado que no existe un m´ todounico e capaz de resolver cualquier problema de clasificaci´ n con el o mejor desempe˜ o, lo que sumado a la aparici´ n cada vez mas n o frecuente de conjuntos de datos, y nuevos problemas permite que la clasificaci´ n sea un objeto de estudio en el cual existe o un gran campo de acci´ n. o Las redes neuronales han emergido como una herramienta muy importante para la clasificaci´ n, debido a algunosaspectos o propios, que las ponen en ventaja frente a otros m´ todos de e clasificaci´ n. Como por ejemplo, el ser sistemas capaces de o aproximar cualquier funci´ n con una precisi´ n particular[21], o o y la de representar estas funciones sin la necesidad de especificar alg´ n conocimiento sobre el modelo al cual se pretende u aproximar. En general, las redes neuronales son modelos de tipo...