Selección automática de parámetros en LLE
DOI:
https://doi.org/10.17533/udea.redin.14665Palabras clave:
número de vecinos más cercanos, regularización automática, reducción de dimensión, inmersiones localmente linealesResumen
Inmersión localmente lineal (LLE) es una técnica de reducción de dimensión no lineal que permite conservar la geometría local del espacio de alta dimensión, al realizar una inmersión de los datos a un espacio de baja dimensión. El algoritmo posee 3 parámetros libres que deben ser definidos por el usuario al momento de realizar la inmersión: el número de vecinos más cercanos k, la dimensión de salida de los datos m y el parámetro de regularización a. Este último sólo es necesario determinarlo cuando el número de vecinos elegido es mayor que la dimensión original de los datos, o cuando los puntos (datos) no están ubicados en posición general, pero juega un papel muy importante en el resultado de la inmersión. En este trabajo se propone un par de criterios que permiten encontrar el valor óptimo para los parámetros k y a, de manera que se obtenga una inmersión que represente de manera fiel los datos del espacio de entrada. Con el fin de comprobar la eficacia de los criterios propuestos, se realizaron pruebas sobre dos bases de datos artificiales y dos bases de datos reales. Además, se realiza una comparación de los resultados contra métodos encontrados en el estado del arte.Descargas
Citas
M. A. Carreira-Perpiñan. “A review of dimension reduction techniques”. Department of Computer Science. University of Sheffield. Tech. Rep. CS-96-09. 1997. pp 1-69.
S. T. Roweis, L. K. Saul. “Nonlinear dimensionality reduction by locally linear embedding”. Science. Vol. 290. 2000. pp. 2323-2326. DOI: https://doi.org/10.1126/science.290.5500.2323
L. K. Saul, S. T. Roweis. “An introduction to locally linear embedding”. AT&T Labs and Gatsby Computational Neuroscience Unit. Tech. Rep. 2000. pp 1-16.
L. K. Saul, S. T. Roweis. “Think globally, fit locally: Unsupervised learning of low dimensional manifolds”. Machine Learning Research. Vol. 4. 2003. pp. 119- 155.
M. Polito, P. Perona. “Grouping and dimensionality reduction by locally linear embedding”. NIPS. Vol. 14. 2001. pp. 1255-1262.
D. de Ridder, R. P. W. Duin. Locally linear embedding for classification. Pattern Recongnition Group. Delft University of Technology. Netherlands. Tech. Rep. 2002. pp. 1-15.
P. C. Hansen. Rank-Deficient and Discrete Ill-Posed Problems: Numerical Aspects of Linear Inversion. SIAM. Philadelphia. 1998. DOI: https://doi.org/10.1137/1.9780898719697
Y. Goldberg, Y. Ritov. “Local procrustes for manifold embedding: a measure of embedding quality and embedding algorithms”. Machine learning. Vol. 77. 2009. pp 1-25. DOI: https://doi.org/10.1007/s10994-009-5107-9
O. Kouropteva, O. Okun, M. Pietikäinen. Selection of the optimal parameter value for the locally linear embedding algorithm. The 1st ICFSKD. 2002. pp. 359-363.
S. A. Nene, S. K. Nayar, H. Murase. Columbia object image library: Coil-100. Department of Computer Science, Columbia University. NY.Tech. Rep. 1996. pp. 1-16.
A. Tank. Daily dataset of 20th-century surface air temperature and precipitation series for the European climate assessment. Int. Jour. Climatology. Vol. 22. 2002. pp. 1441-1453. DOI: https://doi.org/10.1002/joc.773
Descargas
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2018 Revista Facultad de Ingeniería
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.
Los artículos disponibles en la Revista Facultad de Ingeniería, Universidad de Antioquia están bajo la licencia Creative Commons Attribution BY-NC-SA 4.0.
Eres libre de:
Compartir — copiar y redistribuir el material en cualquier medio o formato
Adaptar : remezclar, transformar y construir sobre el material.
Bajo los siguientes términos:
Reconocimiento : debe otorgar el crédito correspondiente , proporcionar un enlace a la licencia e indicar si se realizaron cambios . Puede hacerlo de cualquier manera razonable, pero no de ninguna manera que sugiera que el licenciante lo respalda a usted o su uso.
No comercial : no puede utilizar el material con fines comerciales .
Compartir igual : si remezcla, transforma o construye a partir del material, debe distribuir sus contribuciones bajo la misma licencia que el original.
El material publicado por la revista puede ser distribuido, copiado y exhibido por terceros si se dan los respectivos créditos a la revista, sin ningún costo. No se puede obtener ningún beneficio comercial y las obras derivadas tienen que estar bajo los mismos términos de licencia que el trabajo original.
Twitter