Year: 2020
Type: dissertation
Abstract: En la actualidad es habitual encontrar conjuntos de datos de alta dimensión. Este tipo \nde datos son difíciles de interpretar y presentan problemas como entrada a algoritmos de \nclasificación debido a la maldición de la dimensionalidad. Una manera de mejorar estos \naspectos es la aplicación de métodos de reducción de la dimensión. \nEste trabajo tiene como objetivo analizar y comparar un subconjunto de los métodos \nde reducción de dimensión existentes. Además, se hace una evaluación de los mismos tanto \nde una manera aislada mediante diferentes medidas de calidad como por su impacto en \ndiferentes métodos de clasificación. Ambas evaluaciones se realizan sobre un conjunto de \ndatos de referencia como es MNIST. \nDe una manera más concreta, se han evaluado los métodos de reducción usando medidas \ncuantitativas para medir la conservación de las propiedades locales y globables de \nlos datos. Posteriormente se han comparado métodos de clasificación entrenados en un \nconjunto de datos reducido con métodos entrenados con los datos originales. Los resultados \nobtenidos muestran que cual es el mejor método de reducción de dimensión depende \nde nuestro objetivo (visualización o preprocesamiento). Además se comprueba que la reducción \nde dimensión es una estrategia viable para mejorar el comportamiento de un \nclasificador o para reducir el coste de entrenarlo, almacenarlo o usarlo.
Author: Bravo Núñez, Andrés
Language: Spanish
Subfield: Computer Vision and Pattern Recognition
Field: Computer Science
Domain: Physical Sciences
Open Access status: green
OpenAlex ID: W6986731629