Documentos de Académico
Documentos de Profesional
Documentos de Cultura
RECONOCIMIENTO DE
PATRONES
RECONOCIMIENTO DE
PATRONES
CONTENIDO:
• Introducción
• Clasificadore
s
• Evaluación
• Conclusiones
RECONOCIMIENTO DE
PATRONES
INTRODUCCION
Que es?
Es una disciplina que estudia teorías y métodos para el diseño de
maquinas que sean capaces de reconocer patrones en información con
ruido (Machine Learning).
Se considera como una tarea de toma de decisiones estadística, un
problema de análisis estructural, un problema de inducción y una
tarea de percepción.
RECONOCIMIENTO DE
PATRONES
Problemas del reconocimiento de patrones:
Probabilidad y Estadística
Objetos similares están cerca los unos de los otros en el espacio de características
y objetos diferentes pueden estar lejos o cerca.
RECONOCIMIENTO DE
PATRONES
Distancias y densidades
El objeto ? Puede ser clasificado
como:
A- Porque esta mas cercano a un
objeto clasificado como A
B- Porque la densidad local de la
clase B es mayor.
RECONOCIMIENTO DE
PATRONES
Distancias: Problema de escalamiento
Antes de escalar D(X,A) < D(X,B) Después de escalar D(X,A) > D(X,B)
RECONOCIMIENTO DE
PATRONES
Distancias: Como escalar apropiadamente?
RECONOCIMIENTO DE
PATRONES
Densidades: Estimación
Estimación parametrica
• Se asume un modelo parametrizado
• Se estiman los parámetros de la información (media, varianza, etc)
• El resultado es una densidad de la forma asumida.
Estimación no parametrica
• No se asume un modelo/estructura forma, se escoge el
acercamiento. (approach)
• Se estima la densidad con este acercamiento.
• El resultado de la densidad no tiene forma formal.
RECONOCIMIENTO DE
PATRONES
Densidades: Estimación parametrica vs no parametrica
Principios:
• Clasificadores Generativos: Se enfoca en cada clase separadamente, modela las
densidades condicionales de clase (máxima verosimilitud) y las razones de la
discriminación
• Clasificadores Discriminativos: Se enfoca en la discriminación directamente, modela
la función de decisión (o probabilidades a posteriori)
RECONOCIMIENTO DE
PATRONES
Teoría de decisión estadística (principios)
Si no hay información no hay medidas, Se asigna un objeto x a j
conts log
p ( A) 1
det
B
log
p ( B) 2 det A
RECONOCIMIENTO DE
PATRONES
Funciones cuadráticas discriminantes
1
) 1 x
T T
R( x)
x A1 ( x
B1 ( x
) conts
Expresión Cuadrática 2
A A
2
B B
conts log
p ( A) 1
det
B
log
p ( B) 2 det
A
QDC asume que las clases están distribuidas normalmente, si esto no se cumple se pueden
estimar fronteras de decisión equivocadas.
RECONOCIMIENTO DE
PATRONES
Regla de decisión bayesiana para distribuciones normales con
covarianzas iguales
1
) 1 x
T T
A1 ( x B1 ( x
) conts
QDC R ( x)
2
x A A
2
B B
Asumimos A B
T
1 x const
LDC R( x) A B Expresión lineal
1 T 1 1 T 1 p( A)
const A A B B log p( B)
2 2
p ( A) A p ( B ) B
RECONOCIMIENTO DE
PATRONES
LDC (Resumen)
Asumimos A B El
I clasificador lineal se convierte en NMC
T T
NMC
R ( x)
x A B
A B A B
2
T
LDC, FisherC
R( x) A
B
1 x const
RECONOCIMIENTO DE
PATRONES
Árbol de decisión
• Rápido
• Desempeño moderado
• A menudo simple de interpretar
• Puede manejar variables numéricas y variables categóricas
RECONOCIMIENTO DE
PATRONES
Vecino más cercano (1-NN Rule)
Asigna a un objeto nuevo a la clase del vecino mas cercano del
conjunto de entrenamiento.
1-NN Rule
• Basado en distancia
Euclideana, puede ser usadas
otras distancias
• Insensible a probabilidades a
priori
• Sensible al escalamiento, se
debe escalar apropiadamente
Cuando no hay errores en el conjunto de entrenamiento el
clasificador esta sobre entrenado
RECONOCIMIENTO DE
PATRONES
Ejemplos de 1-NN Rule
PROs CONs
• Simple. • Largo tiempo de ejecución
• Funciona para clases • Toda la información debe
separables casi estar guardada.
completamente
• Util para formar funciones
de decisión no lineales.
RECONOCIMIENTO DE
PATRONES
K-Vecinos más cercanos (k-NN Rule)
Se le asigna al nuevo objeto la clase que esta representada mas
frecuentemente entre los k-vecinos mas cercanos en el conjunto de
entrenamiento de n objetos.