Optimización paralela multiobjetivo de conjuntos de perceptrones multicapa para clasificación de patrones
Fuente:
Redalyc
Enregistré dans:
| Auteur principal: | |
|---|---|
| Format: | Artículo científico |
| Langue: | es |
| Publié: |
Asociación Española para la Inteligencia Artificial
2008
|
| Sujets: | |
| Accès en ligne: | |
| Tags: |
Ajouter un tag
Pas de tags, Soyez le premier à ajouter un tag!
|
| _version_ | 1876474927482142720 |
|---|---|
| author | Pedro A. Castillo |
| author_facet | Pedro A. Castillo |
| contents | Optimización paralela multiobjetivo de conjuntos de perceptrones multicapa para clasificación de patrones Pedro A. Castillo Juan J. Merelo-Guervós Ingeniería Algoritmos Evolutivos Clasificación de Patrones Optimización Multiobjetivo Redes Neuronales Artificiales En los problemas de clasificación de patrones se busca minimizar el número de patrones mal clasificados (error de clasificación). Sin embargo, en muchas aplicaciones reales hay que tener en cuenta por separado el error tipo I (falsos positivos) y el tipo II (falsos negativos), lo que hace el problema más complejo ya que un intento de minimizar uno de ellos, hace que el otro crezca. Es más, en ocasiones uno de estos tipos de error puede ser más importante que el otro, y se debe buscar un compromiso que minimice el más importante de los dos. A pesar de la importancia de los errores tipo II, la mayoría de los métodos de clasificación sólo tienen en cuenta el error de clasificación global. En este trabajo se propone la optimización de ambos tipos de error de clasificación utilizando un algoritmo multiobjetivo en el que cada tipo de error y el tamaño de red son objetivos de la función de evaluación (fitness). Se ha utilizado una versión modificada del método G-Prop de diseño y optimización de perceptrones multicapa usando un algoritmo evolutivo para optimizar simultáneamente la estructura de la red neuronal y los errores tipo I y II. Debido a la carga computacional que supone la ejecución de un algoritmo evolutivo para el diseño de redes neuronales, se propone la paralelización utilizando el modelo isla como forma de distribuir la carga en una red heterogénea. 2008 artículo científico 1137-3601 https://www.redalyc.org/articulo.oa?id=92513102002 es http://www.redalyc.org/revista.oa?id=925 Inteligencia Artificial. Revista Iberoamericana de Inteligencia Artificial application/pdf Asociación Española para la Inteligencia Artificial Inteligencia Artificial. Revista Iberoamericana de Inteligencia Artificial (España) Num.38 Vol.12 |
| format | Artículo científico |
| id | redalyc_92513102002 |
| institution | Redalyc |
| language | es |
| publishDate | 2008 |
| publisher | Asociación Española para la Inteligencia Artificial |
| spellingShingle | Optimización paralela multiobjetivo de conjuntos de perceptrones multicapa para clasificación de patrones Pedro A. Castillo Ingeniería Algoritmos Evolutivos Clasificación de Patrones Optimización Multiobjetivo Redes Neuronales Artificiales Optimización paralela multiobjetivo de conjuntos de perceptrones multicapa para clasificación de patrones Pedro A. Castillo Juan J. Merelo-Guervós Ingeniería Algoritmos Evolutivos Clasificación de Patrones Optimización Multiobjetivo Redes Neuronales Artificiales En los problemas de clasificación de patrones se busca minimizar el número de patrones mal clasificados (error de clasificación). Sin embargo, en muchas aplicaciones reales hay que tener en cuenta por separado el error tipo I (falsos positivos) y el tipo II (falsos negativos), lo que hace el problema más complejo ya que un intento de minimizar uno de ellos, hace que el otro crezca. Es más, en ocasiones uno de estos tipos de error puede ser más importante que el otro, y se debe buscar un compromiso que minimice el más importante de los dos. A pesar de la importancia de los errores tipo II, la mayoría de los métodos de clasificación sólo tienen en cuenta el error de clasificación global. En este trabajo se propone la optimización de ambos tipos de error de clasificación utilizando un algoritmo multiobjetivo en el que cada tipo de error y el tamaño de red son objetivos de la función de evaluación (fitness). Se ha utilizado una versión modificada del método G-Prop de diseño y optimización de perceptrones multicapa usando un algoritmo evolutivo para optimizar simultáneamente la estructura de la red neuronal y los errores tipo I y II. Debido a la carga computacional que supone la ejecución de un algoritmo evolutivo para el diseño de redes neuronales, se propone la paralelización utilizando el modelo isla como forma de distribuir la carga en una red heterogénea. 2008 artículo científico 1137-3601 https://www.redalyc.org/articulo.oa?id=92513102002 es http://www.redalyc.org/revista.oa?id=925 Inteligencia Artificial. Revista Iberoamericana de Inteligencia Artificial application/pdf Asociación Española para la Inteligencia Artificial Inteligencia Artificial. Revista Iberoamericana de Inteligencia Artificial (España) Num.38 Vol.12 |
| title | Optimización paralela multiobjetivo de conjuntos de perceptrones multicapa para clasificación de patrones |
| topic | Ingeniería Algoritmos Evolutivos Clasificación de Patrones Optimización Multiobjetivo Redes Neuronales Artificiales |
| url | https://www.redalyc.org/articulo.oa?id=92513102002 |