Obtención de reglas de clasificación usando SOM+PSO
Los mapas auto-organizativos (SOM – Self organizing maps) son un tipo de red neuronal ampliamente conocido por su capacidad para preservar la topología de los datos de entrada permitiendo mapear un espacio n-dimensional en otro de dos dimensiones. Luego de entrenar la red, las neuronas competitivas...
Guardado en:
| Autores principales: | , , , |
|---|---|
| Formato: | Objeto de conferencia |
| Lenguaje: | Español |
| Publicado: |
2012
|
| Materias: | |
| Acceso en línea: | http://sedici.unlp.edu.ar/handle/10915/23614 |
| Aporte de: |
| Sumario: | Los mapas auto-organizativos (SOM – Self organizing maps) son un tipo de red neuronal ampliamente conocido por su capacidad para preservar la topología de los datos de entrada permitiendo mapear un espacio n-dimensional en otro de dos dimensiones. Luego de entrenar la red, las neuronas competitivas que la forman agrupan la información disponible facilitando de esta forma la identificación de similitudes; esto ha motivado su estudio como base para la obtención de reglas de asociación y clasificación. Este artículo presenta un nuevo método capaz de obtener reglas de clasificación que operan tanto sobre atributos numéricos como nominales, denominado SOM+PSO, que combina una red SOM con una metaheurística basada en cúmulo de partículas (variante de PSO - Particle swarm optimization). El método propuesto ha sido comparado con PART y medido sobre 19 bases del repositorio UCI con resultados satisfactorios. |
|---|