CLASIFICACIÓN SVM-DIFUSO

Norma Verónica Ramírez Pérez, Martín Laguna Estrada, Norma Natalia Rubín Ramírez

Resumen


Resumen

En la actualidad las grandes cantidades de información generadas a través de sistemas informáticos puede representar un gran conocimiento, este alto crecimiento de información ha generado la creación de nuevos métodos que ayuden a manipular ese gran volumen de datos recolectados por las organizaciones dedicadas a la medicina, mercadotecnia y a la  automatización de procesos entre otras. Si bien esta información cuando es obtenida no tiene sentido por no estar clasificada para la toma de decisiones, es importante analizarla para hacer un buen estudio de esta información. En este artículo se presenta la implementación del clasificador de Máquina de Soporte Vectorial (Support Vector Machine SVM) con salida difusa, lo cual permitirá analizar información contenida dentro del intervalo [0,1], a diferencia de un SVM básico que toma un conjunto de datos de entrada y salida de 1 y -1. Por la complejidad de datos con incertidumbre, no se puede utilizar un clasificador común para hacer una predicción mucho más exacta y ayudar a dar un diagnóstico más real. Un modelo de SVM difuso, le dará un plus y un grado de verdad a los resultados al realizar predicciones mucho más exactas y la posibilidad de poder tomar decisiones con mayor probabilidad de éxito. Para las pruebas de funcionalidad de este método, se utilizó una base de datos de un grupo de personas con dos tipos de enfermedades, una de vías urinarias de Inflamación de la vejiga urinaria y la otra de Nefritis de origen pelvis renal.

Palabras Clave: Lógica Difusa, Máquina de Vector Soporte, SVM, SVM Difuso, Vejiga urinaria, Nefritis.

 

CLASSIFICATION SVM-DIFFUSE


Abstract

In the current, large amounts of information generated through computer systems can represent a great deal of knowledge, this high growth of information has generated methods that they help manipulate that large volume of data, collected by organizations every day in areas such as medicine, marketing, process automation, etc. If this information when it is obtained does not make sense because it is not classified for decisions taking. It is important to analyze to make a good study of this information. This paper present the implementation of classifier  support vector machine (Support Vector Machine SVM) with fuzzy output, This classifier to allows the analyzed information contained inside of interval [0,1], to a basic SVM that takes in the input data set and  give the output of 1 and -1. Due to the complexity of the uncertainty data set, a common classifier cannot be used to make a very accurate prediction and to help give a more real diagnosis. A Fuzzy SVM model, gives a certain degree of truth the results obtained in more accurate predictions and the possibility of making decisions with more success, for the tests it was used  an database  the a group of people with two types of diseases in the urinary tract as inflammation of the bladder urinary and nephritis origin pelvis renal.

Keywords: Fuzzy Logic, Vector Support Machine, SVM, Fuzzy SVM, Urinary Bladder, Nephritis.


Texto completo:

452-469 PDF

Referencias


C.J.C. Burges (1998). A tutorial on support vector machine for pattern recognition. Data.

Carmona, E. (2014). “Tutorial sobre Máquinas de Vectores Soporte (SVM)” en UNED, Consultada en http://www.ia.uned.es/~ejcarmona/publicaciones/[2013-Carmona]%20SVM.pdf (fecha de consulta 01-07-2017).

Carbonell, J., Michalski, R. Mitchell, T., (1983) Machine Learning an Artificial Intelligence Approach, an overview of machine learning. Chapter 1

Hall, M., Witten I. y Frank E. (2011). Data Mining: Practical Machine Learning Tools and Techniques. 3a ed. Massachusetts: Morgan Kaufmann. mining and knowledge discovery, 2(2):121_167.

Maldonado, S. (2012). “Modelos de selección de atributos para Support Vector Machines”, http://www.dii.uchile.cl/~ris/RISXXVI/maldonado1.pdf (fecha de consulta 05-07-2017).

Mendel, J., (1995) Fuzzy Logic Systems for Engineering: A tutorial, Proceedings of IEEE, Vol. 83, No 3 marzo,

Mendel, J., (2001). Uncertain Rule based Fuzzy Logic System, Prentice Hall, New York, 2001.

Scholkopf, B., Platt, J.C., Shawe-Taylor, J., Smola, A.J., And William Son, R. C. (2001). Estimating the support of a high-dimensional distribution. Neural Compute. 13, 7, 1443–1471.

Vladimir Vapnik y Chervonenkis (2011). The Nature of Statistical Learning Theory, Springer.


Enlaces refback

  • No hay ningún enlace refback.




URL de la licencia: https://creativecommons.org/licenses/by/3.0/deed.es

Licencia Creative Commons    Esta revista está bajo una Licencia Creative Commons Atribución 3.0 No portada.