| Revista: | Programación matemática y software |
| Base de datos: | |
| Número de sistema: | 000572972 |
| ISSN: | 2007-3283 |
| Autores: | Alejo Eleuterio, Roberto2 García, Vicente1 García Mejía, Juan Fernando3 |
| Instituciones: | 1Universitat Jaume I, Departament de Llenguatges i Sistemes Informatics, Castellón de la Plana, Castellón. España 2Instituto Tecnológico de Toluca, Laboratorio de Reconocimiento de Patrones, Toluca, Estado de México. México 3Universidad Autónoma del Estado de México, Centro Universitario Atlacomulco, Toluca, Estado de México. México |
| Año: | 2009 |
| Volumen: | 1 |
| Número: | 1 |
| Paginación: | 13-32 |
| País: | México |
| Idioma: | Español |
| Tipo de documento: | Artículo |
| Resumen en inglés | It is common for classifiers to be designed to work with balanced databases, that is, datasets, where there is no significant difference in the number of patterns between classes. The unbalanced class distribution problem has been recognized as a critical factor in classifier performance in recent research. However, the scientific community has focused on treating two-class problems, and few studies address this problem in multi-class domains. In this work, different alternatives are studied to reduce the unbalanced class distribution influence using multi-class databases and neural networks trained with the back-propagation algorithm. These strategies are based on modifying the learning algorithm to improve the network generalizability and accelerate its convergence process. Additionally, a comparison between the performance of Modular and Non-Modular Networks trained with unbalanced distributions is included. |
| Resumen en español | Es común que los clasificadores sean diseñados para trabajar con bases de datos balanceadas, es decir, sobre conjuntos de datos donde no hay diferencia significativa en el número de patrones entre clases. En investigaciones recientes, el problema de las distribuciones no balanceadas de las clases ha sido reconocido como un factor crítico en el desempeño del clasificador. Sin embargo, la comunidad científica se ha centrado en el tratamiento de problemas de dos clases y pocos trabajos abordan este problema en dominios de múltiples clases. En este trabajo, se estudian alternativas distintas para reducir la influencia del desbalance de la distribución de las clases cuando se trabaja con bases de datos de múltiples clases y redes neuronales entrenadas con el algoritmo back-propagation. Estas estrategias se basan en la modificación del algoritmo de aprendizaje para mejorar la capacidad de generalización de la red y acelerar su proceso de convergencia. Además se incluye una comparación entre el desempeño de Redes Modulares y No Modulares entrenadas con distribuciones no balanceadas. |
| Disciplinas: | Ciencias de la computación |
| Palabras clave: | Inteligencia artificial |
| Keyword: | Artificial intelligence |
| Texto completo: | Texto completo (Ver PDF) |
