Detección de outliers en muestras de entrenamiento generadas mediante interpretación visual

Las clasificaciones supervisadas son procesos extremadamente sensibles a la calidad de las muestras utilizadas. La presencia de outliers en las muestras de entrenamiento suele ser una fuente de error muy frecuente. El objetivo de este trabajo es presentar una metodología de detección de outliers con...

Descripción completa

Detalles Bibliográficos
Autores principales: Banchero, Santiago, Verón, Santiago, Petek, Mariana, Sarrailhe, Sofía, de Abelleyra, Diego
Formato: Objeto de conferencia
Lenguaje:Español
Publicado: 2021
Materias:
Ciencias Informáticas
Machine Learning
Isolation Forest
Sensores Remotos
Detección de anomalías
Acceso en línea:http://sedici.unlp.edu.ar/handle/10915/140745
http://50jaiio.sadio.org.ar/pdfs/cai/CAI-24.pdf
Aporte de:
SEDICI (UNLP) de Universidad Nacional de La Plata
id I19-R120-10915-140745
record_format dspace
institution Universidad Nacional de La Plata
institution_str I-19
repository_str R-120
collection SEDICI (UNLP)
language Español
topic Ciencias Informáticas
Machine Learning
Isolation Forest
Sensores Remotos
Detección de anomalías
spellingShingle Ciencias Informáticas
Machine Learning
Isolation Forest
Sensores Remotos
Detección de anomalías
Banchero, Santiago
Verón, Santiago
Petek, Mariana
Sarrailhe, Sofía
de Abelleyra, Diego
Detección de outliers en muestras de entrenamiento generadas mediante interpretación visual
topic_facet Ciencias Informáticas
Machine Learning
Isolation Forest
Sensores Remotos
Detección de anomalías
description Las clasificaciones supervisadas son procesos extremadamente sensibles a la calidad de las muestras utilizadas. La presencia de outliers en las muestras de entrenamiento suele ser una fuente de error muy frecuente. El objetivo de este trabajo es presentar una metodología de detección de outliers con Isolation Forest, en muestras recolectadas mediante interpretación visual de imágenes satelitales generadas por el Proyecto MapBiomas Pampa Trinacional. Isolation Forest, el algoritmo no supervisado utilizado puede detectar anomalías directamente basándose en el concepto de aislamiento sin utilizar ninguna métrica. La metodología consiste en la identificación de outliers (preparación de muestras, modelado y definición del umbral) y la validación del método. El modelado permite etiquetar de manera automática cada muestra como outlier o normal a partir del score. Se logró verificar los píxeles de la muestra señalada como outlier y tipificar el error en 6 categorías. Los resultados muestran una cantidad decreciente de outliers a lo largo del periodo analizado. Los años con mayor cantidad de outliers tienen una correspondencia con los años de menor disponibilidad de imágenes para la construcción de los mosaicos y contribuciones importantes del tipo Error del Mosaico. La clase con mayor porcentaje de error fue Bosque cerrado (14.7%) y los tipos de errores con mayor proporción fueron Clase Mal Asignada (20.39%) y Borde (19.57%). La metodología propuesta permitió el mejoramiento de muestras obtenidas mediante interpretación visual de imágenes satelitales de manera automática con un 80% de acierto.
format Objeto de conferencia
Objeto de conferencia
author Banchero, Santiago
Verón, Santiago
Petek, Mariana
Sarrailhe, Sofía
de Abelleyra, Diego
author_facet Banchero, Santiago
Verón, Santiago
Petek, Mariana
Sarrailhe, Sofía
de Abelleyra, Diego
author_sort Banchero, Santiago
title Detección de outliers en muestras de entrenamiento generadas mediante interpretación visual
title_short Detección de outliers en muestras de entrenamiento generadas mediante interpretación visual
title_full Detección de outliers en muestras de entrenamiento generadas mediante interpretación visual
title_fullStr Detección de outliers en muestras de entrenamiento generadas mediante interpretación visual
title_full_unstemmed Detección de outliers en muestras de entrenamiento generadas mediante interpretación visual
title_sort detección de outliers en muestras de entrenamiento generadas mediante interpretación visual
publishDate 2021
url http://sedici.unlp.edu.ar/handle/10915/140745
http://50jaiio.sadio.org.ar/pdfs/cai/CAI-24.pdf
work_keys_str_mv AT bancherosantiago detecciondeoutliersenmuestrasdeentrenamientogeneradasmedianteinterpretacionvisual
AT veronsantiago detecciondeoutliersenmuestrasdeentrenamientogeneradasmedianteinterpretacionvisual
AT petekmariana detecciondeoutliersenmuestrasdeentrenamientogeneradasmedianteinterpretacionvisual
AT sarrailhesofia detecciondeoutliersenmuestrasdeentrenamientogeneradasmedianteinterpretacionvisual
AT deabelleyradiego detecciondeoutliersenmuestrasdeentrenamientogeneradasmedianteinterpretacionvisual
bdutipo_str Repositorios
_version_ 1764820459440832513

Ejemplares similares