Redes Neuronales Artificiales y Distribuciones no Balanceadas
DOI:
https://doi.org/10.30973/progmat/2009.1.1/2Palabras clave:
Redes NeuronalesResumen
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.
Citas
S. Kotsiantis and P. Pintelas. Mixture of expert agents for handling imbalanced data sets. Annals of Mathematics and Computing & Tele-Informatics, 1(1):46–55, 2003.
N. Japkowicz and S. Stephen. The class imbalance problem: a systematic study. Intelligent Data Analysis, 6:429–449, 2002. https:/doi.org/10.3233/IDA-2002-6504
T. Fawcett and F. Provost. Adaptive fraud detection. Data Min. Knowl. Discov., 1(3):291–316, 1997. https://doi.org/10.1023/A:1009700419189
Y. Murphey , H. Guo, and L. Feldkamp. Neural learning from unbalanced data. Applied Intelligence, 21:117-128, 2004. https://doi.org/10.1023/B:APIN.0000033632.42843.17
P.K. Chan, W. Fan, A.L. Prodromidis, and S.J. Stolfo. Distributed data mining in credit card fraud detection. IEEE Intelligent Systems, 14(6):67–74, 1999. https://doi.org/10.1109/5254.809570
Z.-H. Zhou and X.-Y. Liu. Training cost-sensitive neural networks with methods addressing the class imbalance problem. IEEE Transactions on Knowledge and Data Engineering, 18:63–77, 2006. https://doi.org/10.1109/TKDE.2006.17
R. Anand, K.G. Mehrotra, C.K. Mohan, and S. Ranka. An improved algorithm for neural network classification of imbalanced training sets. IEEE Transactions on Neural Networks, 4:962–969, 1993. https://doi.org/10.1109/72.286891
L. Bruzzone and S.B. Serpico. Classification of imbalanced remote-sensing data by neural networks. Pattern Recognition Letters, 18:1323–1328, 1997. https://doi.org/10.1016/S0167-8655(97)00109-8
R. Anand, K. Mehrotra, C.K. Mohan, and S Ranka. Efficient classification for multiclass problems using modular neural networks. Neural Networks, IEEE Transactions on, 6(1):117–124, 1995. https://doi.org/10.1109/72.363444
R. Alejo, V. García, J.M. Sotoca, R.A. Mollineda, and J.S. Sánchez. Improving the classification accuracy of RBF and MLP neural networks trained with imbalanced samples. In Intelligent Data Engineering and Automated Learning - IDEAL 2006, pages 464–471, 2006. https://doi.org/10.1007/11875581_56
Steve Lawrence, I. Burns, A.D. Back, A.C. Tsoi, and C. Lee Giles. Neural network classification and unequal prior class probabilities. In G. Orr, K.-R. Müller, and R. Caruana, editors, Neural Networks: Tricks of the Trade, volume 1524 of Lecture Notes in Computer Science, pages 299–314. Springer Verlag, 1998. https://doi.org/10.1007/3-540-49430-8_15
Matjaz Kukar and Igor Kononenko. Cost-sensitive learning with neural networks. In 13th European Conference on Artificial Intelligence, pages 445–449, 1998.
C. Looney. Pattern Recognition Using Neuronal Networks - theory and algorithms for engineers and scientists. Oxford University Press, New York, 1 edition, 1997.
R. Alejo, V. García, J.M. Sotoca, R.A. Mollineda, and J.S. Sánchez. Improving the performance of the rbf neural networks with imbalanced samples. In 9th International Work-Conference on Artificial Neural Networks (IWANN’2007), pages 162–169, San Sebastián, Spain, 2007. Springer Berlin / Heidelberg. https://doi.org/10.1007/978-3-540-73007-1_20
S. Hay kin. Neural Networks. A Comprehensive Foundation. Pretince Hall, New Jersey, 2 edition, 1999.
Y-H. Pao, G.H. Park, and D.J. Sobajic. Learning and generalization characteristics of the random vector functional-link net. Neurocomputing, 6(2):163–180, 1994. https://doi.org/10.1016/0925-2312(94)90053-1
F.J. Ariza, C. Pinilla, and M.J. Borque. Control de calidad del proceso de clasificación de imágenes de satélite. Mapping, 34:74-86, 1996.
Foody, G. On the Compensation for Change Agreement in Image Classification Accuracy Assessment. Photogrammetric Engineering and Remote Sensing. 58(10): 1459-1460, 1992.
Descargas
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2009 Roberto Alejo, Vicente García, F. García
Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
Usted es libre de:
Compartir — compartir y redistribuir el material publicado en cualquier medio o formato. |
Adaptar — combinar, transformar y construir sobre el material para cualquier propósito, incluso comercialmente. |
Bajo las siguientes condiciones:
Atribución — Debe otorgar el crédito correspondiente, proporcionar un enlace a la licencia e indicar si se realizaron cambios. Puede hacerlo de cualquier manera razonable, pero de ninguna manera que sugiera que el licenciador lo respalda a usted o a su uso. |
Sin restricciones adicionales: no puede aplicar términos legales o medidas tecnológicas que restrinjan legalmente a otros a hacer cualquier cosa que permita la licencia. |