Comparación del clasificador RDA con LDA y QDA en imágenes sintéticas

Mostrar todas las versiones(2)

En teledetección, para obtener información de las imágenes de la superficie terrestre se generan mapas temáticos, distinguiendo los grupos presentes (agua, suelo desnudo, urbano, etc.). Para la producción de estos mapas se utilizan técnicas estadísticas multivariadas de clasificación. Entre ellas,...

Descripción completa

Guardado en:
Detalles Bibliográficos
Autores principales: González, Agustina, Palacio, Gabriela, Bigolin, Sabina, Ferrero, Susana
Formato: poster
Lenguaje:Español
Publicado: 2020
Materias:
Clasificador RDA
LDA
QDA
Simulación
RDA
Acceso en línea:http://hdl.handle.net/11086/16925
Aporte de:
Repositorio Digital Universitario (UNC) de Universidad Nacional de Córdoba
id I10-R14111086-16925
record_format dspace
institution Universidad Nacional de Córdoba
institution_str I-10
repository_str R-141
collection Repositorio Digital Universitario (UNC)
language Español
topic Clasificador RDA
LDA
QDA
Simulación
RDA
spellingShingle Clasificador RDA
LDA
QDA
Simulación
RDA
González, Agustina
Palacio, Gabriela
Bigolin, Sabina
Ferrero, Susana
Comparación del clasificador RDA con LDA y QDA en imágenes sintéticas
topic_facet Clasificador RDA
LDA
QDA
Simulación
RDA
description En teledetección, para obtener información de las imágenes de la superficie terrestre se generan mapas temáticos, distinguiendo los grupos presentes (agua, suelo desnudo, urbano, etc.). Para la producción de estos mapas se utilizan técnicas estadísticas multivariadas de clasificación. Entre ellas, en la Clasificación Supervisada, las más utilizadas son el Análisis Discriminante Lineal (LDA) y Análisis Discriminante Cuadrático (QDA), suponiendo distribución normal multivariada para las clases. En LDA se supone matrices de covarianza iguales y en QDA distintas, pero hay situaciones en las que este supuesto no se cumple y las estimaciones se vuelven inestables. Friedman (1989) para mejorar las estimaciones propone el Análisis Discriminante Regularizado (RDA), incorporando una nueva estimación para la matriz de covarianza con dos parámetros, λ y γ. La nueva matriz de covarianza se obtiene combinando las de QDA y LDA y para cada par (λ, γ) se genera un clasificador. El objetivo de este trabajo es analizar el desempeño de RDA comparándolo con LDA y QDA. Para ello, mediante simulación, se generan imágenes sintéticas (se conoce la información de toda la población), donde se representa una escena formada con diferentes regiones o grupos con distribución normal multivariada. Se plantean distintas configuraciones para los parámetros de la distribución generando cuatro situaciones a analizar. Para determinar la mejor combinación (λ, γ), en cada situación, se utiliza validación cruzada y bootstrap. La precisión de la clasificación se evalúa con el coeficiente de Fiabilidad Global (F). El clasificador RDA mejora en todas las situaciones a QDA, pero en algunas es superado por LDA. El análisis realizado fue desarrollado con códigos en el software R.
format poster
author González, Agustina
Palacio, Gabriela
Bigolin, Sabina
Ferrero, Susana
author_facet González, Agustina
Palacio, Gabriela
Bigolin, Sabina
Ferrero, Susana
author_sort González, Agustina
title Comparación del clasificador RDA con LDA y QDA en imágenes sintéticas
title_short Comparación del clasificador RDA con LDA y QDA en imágenes sintéticas
title_full Comparación del clasificador RDA con LDA y QDA en imágenes sintéticas
title_fullStr Comparación del clasificador RDA con LDA y QDA en imágenes sintéticas
title_full_unstemmed Comparación del clasificador RDA con LDA y QDA en imágenes sintéticas
title_sort comparación del clasificador rda con lda y qda en imágenes sintéticas
publishDate 2020
url http://hdl.handle.net/11086/16925
work_keys_str_mv AT gonzalezagustina comparaciondelclasificadorrdaconldayqdaenimagenessinteticas
AT palaciogabriela comparaciondelclasificadorrdaconldayqdaenimagenessinteticas
AT bigolinsabina comparaciondelclasificadorrdaconldayqdaenimagenessinteticas
AT ferrerosusana comparaciondelclasificadorrdaconldayqdaenimagenessinteticas
bdutipo_str Repositorios
_version_ 1764820393742303234

Ejemplares similares