Documentos de Académico
Documentos de Profesional
Documentos de Cultura
TEMA 4-Preprocesamiento
TEMA 4-Preprocesamiento
PYTHON
TEMA 4: Preprocesamiento
PREPROCESAMIENTO
Índice
Introducción
Estandarización
Extracción de características
Selección de características
Tema 4: Preprocesamiento
2 de 83
INTRODUCCIÓN
Definición
Subetapas más comunes
Tema 4: Preprocesamiento
3 de 83
ESTANDARIZACIÓN
Tipos
Subetapas más comunes
Estandarización
Extracción de características
Selección de características (reducción de la dimensionalidad)
Tema 4: Preprocesamiento
4 de 83
ESTANDARIZACIÓN
Tipos
Normalización
Tema 4: Preprocesamiento
5 de 83
ESTANDARIZACIÓN
Reescalado
Reescalado lineal
Tema 4: Preprocesamiento
6 de 83
ESTANDARIZACIÓN
Ejemplo:
Reescalado Reescalado
lineal lineal
Tema 4: Preprocesamiento
7 de 83
ESTANDARIZACIÓN
Ejemplo:
Reescalado Otros
lineal tipos de reescalado
Tema 4: Preprocesamiento
8 de 83
ESTANDARIZACIÓN
Ejemplo:
Reescalado Reescalado
lineal del conjunto de test
Tema 4: Preprocesamiento
9 de 83
ESTANDARIZACIÓN
Otras transformaciones
Reescalado lineal
Tema 4: Preprocesamiento
10 de 83
ESTANDARIZACIÓN
Ejemplo:
Reescalado discretización
lineal
Tema 4: Preprocesamiento
11 de 83
ESTANDARIZACIÓN
Ejemplo:
Reescalado Conversión
lineal categóricas en numéricas
Tema 4: Preprocesamiento
12 de 83
ESTANDARIZACIÓN
Ejemplo: transform
Algoritmos de selección
Tema 4: Preprocesamiento
13 de 83
ESTANDARIZACIÓN
Ejemplo: transform
Algoritmos de selección
Tema 4: Preprocesamiento
14 de 83
FEATURE EXTRACTION
Definición
Algoritmos de selección
Tema 4: Preprocesamiento
15 de 83
FEATURE EXTRACTION
Análisis
Algoritmosde texto
de selección
Tema 4: Preprocesamiento
16 de 83
FEATURE EXTRACTION
Ejemplo: Análisis
Algoritmos de selección de texto
Tema 4: Preprocesamiento
17 de 83
FEATURE EXTRACTION
Ejemplo: text
Algoritmos de 1 grams
selección
Tema 4: Preprocesamiento
18 de 83
FEATURE EXTRACTION
Ejemplo: text
Algoritmos de bi grams
selección
Tema 4: Preprocesamiento
19 de 83
FEATURE EXTRACTION
Ejemplo: text
Algoritmos de bi grams
selección
Tema 4: Preprocesamiento
20 de 83
FEATURE EXTRACTION
Ejemplo: text
Algoritmos de pesos
selección
Tema 4: Preprocesamiento
21 de 83
FEATURE EXTRACTION
Imágenes
Algoritmos de selección
Tema 4: Preprocesamiento
22 de 83
FEATURE EXTRACTION
Imágenes:
Algoritmos de Momentos
selección espaciales
m00 F ( j , k )
j k
1
m pq
m00
j k
j p k q F ( j, k )
Tema 4: Preprocesamiento
23 de 83
FEATURE EXTRACTION
Momentos espaciales
Algoritmos de selección
Tema 4: Preprocesamiento
24 de 83
FEATURE EXTRACTION
Momentos centrales
Algoritmos de selección
pq ( j m10 ) p (k m01 ) q F ( j , k )
j k
Tema 4: Preprocesamiento
25 de 83
FEATURE EXTRACTION
Momentos normalizados
Algoritmos de selección
pq pq
n pq
con 1
m00 2
Tema 4: Preprocesamiento
26 de 83
FEATURE EXTRACTION
Momentos espaciales invariantes
Algoritmos de selección
1 02 20
2 20 02 2 4 11
2
Tema 4: Preprocesamiento
28 de 83
FEATURE EXTRACTION
Ejemplo: Calculo
Algoritmos de selección de momentos
Tema 4: Preprocesamiento
29 de 83
FEATURE EXTRACTION
Ejemplo: Calculo
Algoritmos de selección de momentos
Tema 4: Preprocesamiento
30 de 83
FEATURE EXTRACTION
Ejemplo: Calculo
Algoritmos de selección de momentos
Tema 4: Preprocesamiento
31 de 83
FEATURE EXTRACTION
Análisis
Algoritmosen componentes principales
de selección
Tema 4: Preprocesamiento
32 de 83
FEATURE EXTRACTION
Análisis
Algoritmosen componentes principales
de selección
Tema 4: Preprocesamiento
33 de 83
FEATURE EXTRACTION
Análisis
Algoritmosen componentes principales
de selección
Tema 4: Preprocesamiento
34 de 83
FEATURE EXTRACTION
Análisis
Algoritmosen componentes principales
de selección
Tema 4: Preprocesamiento
35 de 83
FEATURE EXTRACTION
Análisis
Algoritmosen componentes principales
de selección
Autovectores ordenados
por el valor del autovalor
60000x784
Matriz de covarianzas:
784x784
Tema 4: Preprocesamiento
36 de 83
FEATURE EXTRACTION
Análisis
Algoritmosen componentes principales
de selección
x'1...x'i ...x'm x1...xi ...x784 784 xm
Pero también al contrario (reconstrucción):
1
x1...xi ...x784 x'1...x'i ...x'm 784 xm
Es una matriz de rotación: La inversa coincide con la traspuesta
x1...xi ...x784 x'1...x'i ...x'm mx784
Tema 4: Preprocesamiento
37 de 83
FEATURE EXTRACTION
Análisis
Algoritmosen componentes principales
de selección
Extracción de 5 componentes:
x1...xi ...x784 784 x5 = (0.47,-1.01,-0.5,-3.74,1.06)
1 2 ... 5
Tema 4: Preprocesamiento
38 de 83
FEATURE EXTRACTION
Análisis
Algoritmosen componentes principales
de selección
0.47,-1.01,-0.5,-3.74,1.06 5 x784
Tema 4: Preprocesamiento
39 de 83
FEATURE EXTRACTION
Análisis
Algoritmosen componentes principales
de selección
Tema 4: Preprocesamiento
40 de 83
FEATURE EXTRACTION
Ejemplo: Calculo
Algoritmos de selección de PCAs
Tema 4: Preprocesamiento
41 de 83
FEATURE EXTRACTION
Ejemplo: Calculo
Algoritmos de selección de PCAs
10 primeras componentes de las 34 extraidas.
Están ordenadas por importancia.
Tema 4: Preprocesamiento
42 de 83
FEATURE EXTRACTION
Ejemplo: Reconstrucción
Algoritmos de selección con PCAs
Widget interactivo
Tema 4: Preprocesamiento
43 de 83
FEATURE EXTRACTION
Características
Algoritmos de selección locales
Tema 4: Preprocesamiento
44 de 83
FEATURE EXTRACTION
Características
Algoritmos de selección de Amplitud primer orden
1/ 2
1 w w 2
S ( j, k )
2w 1 m w n w
( F ( j m, k n ) M ( j , k ))
Tema 4: Preprocesamiento
45 de 83
FEATURE EXTRACTION
Características
Algoritmos de selección de Amplitud primer orden
N (b)
P(b) 0 b L 1
M
Tema 4: Preprocesamiento
46 de 83
FEATURE EXTRACTION
Características
Algoritmos de selección de Amplitud primer orden
Tema 4: Preprocesamiento
47 de 83
FEATURE EXTRACTION
Características
Algoritmos de selección de Amplitud primer orden
_ L 1
Media: S M b bP(b)
b 0
1/ 2
L 1 _
Desviación estandar: S D b (b b) 2 P(b)
b 0
L 1
1 _
Skewness: SS (b b) 3
P (b)
3
b 0
b
Tema 4: Preprocesamiento
48 de 83
FEATURE EXTRACTION
Características
Algoritmos de selección de Amplitud primer orden
L 1
Kurtosis: 1 _
3
SK (b b ) 4
P (b) 3
b
b 0
L 1
Energy: S N P(b)
2
b 0
L 1
Entropy: S E P(b) log 2 P(b)
b 0
2 1 3 1 2
L=3, W=1 N(b)= 2 5 2
1 2 2 3 1 p(b) = 0.22, 0.55, 0.22
3 3 1 2 3 b= 1 2 3
1 2 2 1 1
2 1 3 2 2
Tema 4: Preprocesamiento
50 de 83
FEATURE EXTRACTION
Características
Algoritmos de selección de Amplitud primer orden
2
2 1
1 3
3 1
1 2
2 L=3, W=2 N(b)= 9 10 6
1
1 2
2 2
2 3
3 1
1 p(b) = 0.36, 0.40, 0.24
b= 1 2 3
3
3 3
3 1
1 2
2 3
3
1
1 2
2 2
2 1
1 1
1
SM=1.88 SD=0.76 SS=0.20 SK=-1.26 SN=0.34 SE=1.55
2
2 1
1 3
3 2
2 2
2 Mode=2 Mediana= 2
Tema 4: Preprocesamiento
51 de 83
FEATURE EXTRACTION
Características
Algoritmos de selección de Amplitud segundo orden
N ( a, b)
P ( a, b)
M
Tema 4: Preprocesamiento
52 de 83
FEATURE EXTRACTION
Características
Algoritmos de selección de Amplitud segundo orden
L 1 L 1
Autocorrelation S A abP(a, b)
a 0 b 0
Covarianza L 1 L 1 _ _
S C (a a )(b b) P(a, b)
a 0 b 0
_ L 1 L 1
a aP(a, b)
a 0 b 0
_ L 1 L 1
b bP (a, b)
a 0 b 0
Tema 4: Preprocesamiento
53 de 83
FEATURE EXTRACTION
Características
Algoritmos de selección de Amplitud segundo orden
L 1 L 1
Inercia S I a b P(a, b)
2
a 0 b 0
L 1 L 1
L 1 L 1
P ( a, b)
Diferencia inversa S F
a 0 b 0 1 a b
2
Tema 4: Preprocesamiento
54 de 83
FEATURE EXTRACTION
Características
Algoritmos de selección de Amplitud segundo orden
L 1 L 1
Energía S G P(a, b)
2
a 0 b 0
L 1 L 1
Entropía ST P(a, b) log 2 P(a, b)
a 0 b 0
Tema 4: Preprocesamiento
55 de 83
FEATURE EXTRACTION
Características
Algoritmos de selección de Amplitud segundo orden
L=3, W=1
2 1 3 1 2 N(a,b) 1 2 3
1 2 2 3 1 1 4 10 4
2 10 25 10
3 3 1 2 3
3 4 10 4
1 2 2 1 1
2 1 3 2 2
P(a,b) 1 2 3
1 0.049 0.123 0.049
2 0.123 0.309 0.123
3 0.049 0.123 0.049
Tema 4: Preprocesamiento
56 de 83
FEATURE EXTRACTION
Características
Algoritmos de selección de Amplitud segundo orden
Tema 4: Preprocesamiento
57 de 83
FEATURE EXTRACTION
Características
Algoritmos de selección de Amplitud
1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 0 1 0
0 0 0 0 1 1 1 1 1 1 1 0 0 0 0 0 1 1 1 1 0 1 0 1
0 0 0 0 0 0 0 0 1 0 0 0 1 1 1 1 0 0 0 0 1 0 1 0
1 1 1 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 1
Tema 4: Preprocesamiento
58 de 83
FEATURE EXTRACTION
Características
Algoritmos de selección de textura
Tema 4: Preprocesamiento
59 de 83
FEATURE EXTRACTION
Gray Level
Algoritmos Co-occurrence Matrixes (GLCM)
de selección
N (a, b, r , )
P(a, b, r , )
M
M es el número de pixels en la ventana de vecindad y N(a,b) es el
número de ocurrencias de los niveles de grises a y b de la imagen en
pixels separados una distancia r y un ángulo.
Para cada (r,θ) se calcula un histograma de dimensión LxL.
Suele ser común utilizar angulos de 0, 45, 90 y 135, L=16.
Del histograma se extraen una serie de estadísticos que
conformarán el vector de características.
Tema 4: Preprocesamiento
60 de 83
FEATURE EXTRACTION
Gray Level
Algoritmos Co-occurrence Matrixes (GLCM)
de selección
Ejemplo:
b\a 0 1 2 3 b\a 0 1 2 3
0 0 1 1
0 3 0 2 0 0 6 0 2 0
0 0 1 1
1 0 2 0 0 1 0 4 2 0
0 2 2 2
2 0 0 1 2 2 2 2 2 2
2 2 3 3
3 0 0 0 0 3 0 0 2 0
Imagen ejemplo N(a,b,1,90) N(a,b,1,90)+t(N(a,b,1,90))
L=4
b\a 0 1 2 3
Contraste:
0 0.250 0 0.083 0
L 1 L 1
1 0 0.0167 0.083 0 T (r , ) (a b) 2 P (a, b, r , )
2 0.083 0.083 0.083 0.083 a 0 b 0
3 0 0 0.083 0 T(1,90)=(-1)2*0+(-2)2*0.083+(-3)2*0+·····=1.000
P(a,b,1,90) Medida del contraste vertical
Tema 4: Preprocesamiento
61 de 83
FEATURE EXTRACTION
Gray Level
Algoritmos Co-occurrence Matrixes (GLCM)
de selección
Tema 4: Preprocesamiento
62 de 83
FEATURE EXTRACTION
Ejemplo: Calculo
Algoritmos de selección de las características GLCM
Tema 4: Preprocesamiento
63 de 83
FEATURE EXTRACTION
Local Binary
Algoritmos Patterns (LBP)
de selección
Tema 4: Preprocesamiento
64 de 83
FEATURE EXTRACTION
Local Binary
Algoritmos Patterns (LBP)
de selección
Tema 4: Preprocesamiento
65 de 83
FEATURE EXTRACTION
LBP Uniforme
Algoritmos de selección
Tema 4: Preprocesamiento
66 de 83
FEATURE EXTRACTION
Ejemplo: Calculos
Algoritmos de selección de las características LBP
Tema 4: Preprocesamiento
67 de 83
FEATURE EXTRACTION
Ejemplo: Calculos
Algoritmos de selección de las características LBP
Tema 4: Preprocesamiento
68 de 83
FEATURE EXTRACTION
LBPU porde bloques
Algoritmos selección (detección de objetos)
Tema 4: Preprocesamiento
69 de 83
FEATURE EXTRACTION
LBPU porde bloques
Algoritmos selección (detección de objetos)
Tema 4: Preprocesamiento
70 de 83
FEATURE EXTRACTION
Ejemplo: Calculo
Algoritmos de selección de los LBPU por bloques
Tema 4: Preprocesamiento
71 de 83
FEATURE EXTRACTION
Histogram of gradients (HOG)
Algoritmos de selección
Tema 4: Preprocesamiento
72 de 83
FEATURE EXTRACTION
Ejemplo: Calculo
Algoritmos de selección de las características de HOG
Tema 4: Preprocesamiento
73 de 83
FEATURE EXTRACTION
Ejemplo: Calculo
Algoritmos de selección de las características de HOG
64 celdas de 8x8
Bloque 1 de 25 Bloque 2 de 25
Tema 4: Preprocesamiento
74 de 83
FEATURE EXTRACTION
Filtros dedeHaar
Algoritmos selección
Tema 4: Preprocesamiento
75 de 83
FEATURE EXTRACTION
Filtros dedeHaar
Algoritmos selección
Cada filtro se aplica en todas las escalas posibles en cada imagen tanto
en horizontal como en vertical dando lugar a un vector de
características de muchas dimensiones.
Tema 4: Preprocesamiento
76 de 83
FEATURE EXTRACTION
Filtros dedeHaar
Algoritmos selección
Tema 4: Preprocesamiento
77 de 83
FEATURE EXTRACTION
Ejemplo: Calculo
Algoritmos de selección de las características de Haar
Tema 4: Preprocesamiento
78 de 83
FEATURE EXTRACTION
Ejemplo: Calculo
Algoritmos de selección de las características de Haar
Tema 4: Preprocesamiento
79 de 83
FEATURE SELECTION
TheSelección
curse of the dimensionality
de características
Tema 4: Preprocesamiento
80 de 83
FEATURE SELECTION
Definición
Algoritmos de y tipos
selección
Tema 4: Preprocesamiento
81 de 83
FEATURE SELECTION
Algoritmos de selección supervisados
Algoritmos de selección
d!
(d m)! m!
El algoritmo branch and bound permite acelerar la búsqueda
descartando algunos subconjuntos.
Tema 4: Preprocesamiento
83 de 83
FEATURE SELECTION
Ejemplo
Algoritmosde algoritmo de selección
de selección
Tema 4: Preprocesamiento
84 de 83