Reconocimiento de Patrones

Jess Ariel Carrasco Ochoa

Instituto Nacional de Astrofsica ptica y
Electrnica
ariel@inaoep.mx

Contenido

Introduccin
Enfoques
Problemas
Seleccin de Variables
Clasificacin no Supervisada
Clasificacin Supervisada
Aplicaciones

 Que es Reconocimiento de Patrones ?

Son los medios por los cuales se puede interpretar el
mundo.
Es la ciencia que se ocupa de los procesos sobre ingeniera,
computacin y matemticas relacionados con objetos
fsicos y/o abstractos, con el propsito de extraer
informacin que permita establecer propiedades de o entre
conjuntos de dichos objetos.

Enfoques de Reconocimiento de Patrones

Reconocimiento Estadstico de Patrones.- Este enfoque se
basa en la teora de probabilidad y estadstica y supone que se
tiene un conjunto de medidas numricas con distribuciones de
probabilidad conocidas y a partir de ellas se hace el
reconocimiento.
Reconocimiento Sintctico de Patrones.- Este enfoque se basa
en encontrar las relaciones estructurales que guardan los objetos
de estudio, utilizando la teora de lenguajes formales. El
objetivo es construir una gramtica que describa la estructura
del universo de objetos.

Enfoques de Reconocimiento de Patrones

Redes Neuronales.- Este enfoque supone que tiene una
estructura de neuronas interconectadas que se estimulan unas a
otras, las cuales pueden ser entrenadas para dar una cierta
respuesta cuando se le presentan determinados valores.
Reconocimiento Lgico Combinatorio de Patrones.- Este
enfoque se basa en la idea de que la modelacin del problema
debe ser lo ms cercana posible a la realidad del mismo, sin
hacer suposiciones que no estn fundamentadas. Uno de los
aspectos esenciales del enfoque es que las caractersticas
utilizadas para describir a los objetos de estudio deben ser
tratadas cuidadosamente.

Problemas de Reconocimiento de Patrones

Seleccin de variables.- Consiste en determinar cual es el
conjunto de caractersticas ms adecuado para describir a
los objetos.
Clasificacin Supervisada.- Consiste en clasificar nuevos
objetos basndose en la informacin de una muestra ya
clasificada.
Clasificacin no supervisada.- Consiste en dada una
muestra no clasificada encontrar la clasificacin de la
misma.

Enfoques y Problemas de
Reconocimiento de Patrones
Reconocimiento de Patrones

Estadstico

Sintctico

Clasificacin

Supervisada

Lgico
Combinatorio

Redes
Neuronales

Seleccin de
Variables

No
Supervisada

Seleccin de Variables
Para la Clasificacin.- La seleccin de caractersticas
relevantes, a partir del conjunto total de caractersticas que
describen a los objetos, se hace con dos motivos
fundamentales: mejorar la clasificacin y/o aumentar la
velocidad de procesamiento.
Para la Representacin.- Decidir cules caractersticas
representan mejor a cierto tipo de objetos.

Estrategias de Seleccin de Variables

wrapper.- La seleccin de caractersticas se hace usando

informacin del mecanismo de clasificacin.
filter.- La seleccin se hace con un criterio independiente
del clasificador.

Mtodos de Seleccin de Variables

Tablas de Desicin.- Se busca un subconjunto mnimo de
variables que no introduzca confusin entre clases.
ID3.- Se crea un rbol de desicin y se selecciona un
conjunto de variables que permita discriminar entre clases.
Teora de Testores.- Se buscan todos los subconjuntos de
variables discriminantes minimales, con estos se evala la
relevancia de cada variable y se seleccionan aquellas con
mayor relevancia.

Tipos de Seleccin de Variables

Seleccin de Variables

Para
Representacin

Para
Clasificacin

Filter

Tablas de
Decisin

ID3

Wrapper

Teora de
Testores

Clasificacin No Supervisada
Dada una muestra de objetos no clasificados, obtener la
estructuracin en clases de dicha muestra.
Restringida.- El nmero de clases en la que se estructurar
la muestra est previamente definido.
Libre.- El nmero de clases en la que se estructurar la
muestra depende exclusivamente de los datos.

Estrategias para Clasificacin No Supervisada

Jerrquica.- Puede se divisiva o aglomerativa.

Reagrupamiento.- Se hace un primer agrupamiento y se
va refinanado iterativamente.
Lgico Combinatorio.- Se define ciertas condiciones que
deben cumplir los agrupamientos y se buscan los grupos
que las cumplan.

Mtodos de Clasificacin No Supervisada

Simple Link y Complete Link.- Parten de grupos
unitarios de objetos y van uniendo los grupos ms
parecidos en cada etapa, hasta cumplir aguna condicin.
ISODATA.- Se van formando grupos que se ajustan
iterativamente usando teora de probabilidades, en alguna
versiones se puede hacer la unin o divisin de algn
grupo.

Mtodos de Clasificacin No Supervisada

C-means.- Se define un grupo de semillas, se asocia cada
objeto al grupo de la semilla ms parecida, se toman los
centroides de cada grupo como nuevas semillas y se itera
hasta que se estabilize.
Criterios Lgico Combinatorios.- Los criterios que se
imponen a los grupos son tales como ser conexos,
completos maximales, compactos, etc.

Tipos de Clasificacin No Supervisada

Clasificacin No Supervisada

Jerrquico

Aglomerativo

Lgico
Combinatorio

Reagrupamiento

Divisivo

C-means
Duros

Single link
Complete link

Difusos

Isodata
Conexo

Compacto

Fuertemente
Compacto

Completo
Maximal

Clasificacin Supervisada
M
x1
...
xn
...
r
1
O1 x1(O1) ... xn (O1) 1(O1) ... r(O1)
:
Om x1(Om) ... xn(Om) 1(Om) ... r(Om)

Objeto O

1(O) ... l(O)

Clasificador

Mtodos de Clasificacin Supervisada

Superficies de Separacin.- Se suponen los objetos en Rn
y se busca un conjunto de superficies que separen a las
clases.
Funciones Discriminantes.- Si son dos clases, se busca
obtener una funcin g tal que para un nuevo objeto O, si
g(O)0 se asigna a la clase 1 y en otro caso a la 2. Si son
multiples clases se busca un conjunto de funciones gi y el
nuevo objeto se ubica en la clase donde la funcin tome el
mayor valor.

Mtodos de Clasificacin Supervisada

Vecino mas cercano.- Un nuevo objeto se ubica en la
clase donde est el objeto de la muestra original que ms se
le parece.
Redes Neuronales.- Se entrena una red de neuronas
interconectadas, con los ejemplos para cada clase, con esto
al presentarle un objeto nuevo en sus entradas la red dar
como resultado la clase a la cual pertenece.

Clasificacin Supervisada en el Enfoque

Lgico Combinatorio
Modelo ALVOT
M

x1

...
...

xn

(1,O)
K1
Objeto O

1(O)...r(O)
:
...
Kr

(r,O)

10

Clasificacin Supervisada en el Enfoque

Lgico Combinatorio
Modelo KORA-

x1

...
...

xn

(1,O)

RC(K1)
K1

Objeto O

1(O)...r(O)

:
...
RC(Kr)

Kr

(r,O)

Clasificacin Supervisada en el Enfoque

Lgico Combinatorio
Modelo CR+
M

K1

x1

...
...

xn

M11

1+ (O)

M10

1 (O)

1(O)

Objeto O
CK1

M1r

r+ (O)

M 0r

r (O)

r(O)

11

Modelos de Clasificacin Supervisada

Clasificacin Supervisada

Superficies de
Separacin

Funciones
Discriminantes

Redes
Neuronales

Vecino ms
cercano

Lgico
Combinatorio

ALVOT

KORA-

CR+

Etapas del Proceso de

Reconocimiento de Patrones

Sistema Fsico (Realidad).

Modelacin por el especialista no Matemtico.
Sistemas de medicin.
Datos obtenidos.
Validacin de los datos.
Definicin del modelo de Reconocimiento que ms
conviene seguir.
Modelacin matemtica.

12

Etapas del Proceso de

Reconocimiento de Patrones

Seleccin de variables.
Diseo del clasificador.
Pruebas y validacin del clasificador.
Aplicacin del modelo.
Interpretacin de resultados.
Retroalimentacin.

Aplicaciones
Identificacin de rostros (Redes Neuronales)(ALVOT ).
Prediccin de magnitudes mximas de terremotos
(ALVOT)
Bsqueda de petrleo (CR+)
Pronstico postoperatorio en nios con paladar endido
(ALVOT)
Determinacin de factores que inciden en la lactancia
materna (Teora de Testores)
Clasificacin de atmsfera estelares (K vecinos ms
cercanos)

13