USO DA SELEÇÃO DE
PROTÓTIPOS PARA
OTIMIZAR A
CLASSIFICAÇÃO BASEADA
EM DISSIMILARIDADE
Felipe Soares Queiroga (fsq)
MOTIVAÇÃO

Objetos “Similares” podem sem agrupados com
intuito de formar uma classe, uma “classe” nada
mais é que um conjunto de objetos “similares”.
[KIMA, 2006]
OBJETIVOS

Dois Principais objetivos do Artigo:

Utilizar um PRS como uma ferramenta para
minimizar o número de amostras que serão utilizados
pela DBC.

Utilizar a medida de distância de Mahalanobis,
associada com o algoritmo de PRS, para obter uma
vantagem distinta ao implementar uma DBC.
PROTOTYPE REDUCTION SCHEMES
(PRS)

O que é:


Um Método de seleção de vetores de protótipos
necessários para a representação de dissimilaridade.
Usado Para:
Reduzir a Base de Treinamento a Protótipos
 Reduzir os Custos de computar, armazenar e
processar toda a base de Treinamento.

PRS’S UTILIZADOS

Random:

Seleção Randômica de m
Amostras a partir do
Conjunto de Treinamento.

Método Mais Simples

Riscos: Como a Escolha é
Aleatória, pode resultar em
uma seleção de protótipos
desbalanceada
Espaço de Seleção de Protótipos com a técnica
Random [Duin, 2004].
PRS’S UTILIZADOS

RandomC:

Seleção Randômica de mi
Amostras por classe w
Existente no Conjunto de
Treinamento T

Soluciona o Problema de se
Ter Classes Desbalanceadas
que Tivemos com a Técnica
Random.
Espaço de Seleção de Protótipos com a técnica
RandomC [Duin, 2004].
PRS’S UTILIZADOS

KCentres:
1.
2.
3.
4.
Seleciona randomicamente mi
Amostras por Classe wi
Existente no Conjunto de
Treinamento T.
Separa as instâncias de cada
classe de acordo com a
proximidade de cada protótipo.
Calcula o centro para cada
conjunto.Objeto cuja distância
para os outros da classe é o
valor mínimo.
Para cada centro, se o centro
for diferente, o protótipo é
substituído pelo centro e
retorna para o passo 2
Espaço de Seleção de Protótipos com a técnica
KCentres [Duin, 2004].
MEDIDAS DE DISSIMILARIDADE


Medida Utilizada Para Quantificar a
Dissimilaridade Entre Dois Vetores.
No andamento do projeto, foram implementadas
quatro formas diferentes no cálculo das
dissimilaridades.
DISSIMILARIDADE USADAS
Norma de City Block:
 Norma Euclidiana:
 Norma Max:
 Norma de Minkowski:

MATRIZ DE DISSIMILARIDADE

Após Selecionarmos Protótipos e definirmos a
medida de dissimilaridade, podemos construir a
Matriz de Dissimilaridade:
CLASSIFICAÇÃO

Reduzir d Dimensão da Matriz de
Dissimilaridade:
EXEMPLO:
Exemplo de um Espaço de
Dissimilaridade 2D classificador
por um sub-Conjunto de dígitos
escritos a mão (3 e 8). A
Representação da Dissimilaridade
D(T, R) é baseada na Distância
Euclidiana entre as imagens
binárias com suavização Gaussin.
[Duin, 2004]
R é escolhido randomicamente e
consiste de dois exemplos, um de
cada digito. [Duin, 2004]
RESULTADOS:

Utilização Do Classificador Desenvolvido Sobre a
Base Ionosphere do UCI.
DÚVIDAS?
REFERÊNCIAS:



[Duin, 1997] R.P.W. Duin, D. Ridder and D.M.J. Tax, Experiments with a
featureless approach to pattern recognition, Pattern Recognition Lett. 18
(1997), pp. 1159–1166.
[Duin, 2004] R.P.W. Duin, E. Pekalska and Pavel Paclok. Prototype
Selection for Dissimilarity-based Classifiers (2004).
[KIMA, 2006] Sang-Woon Kima and B. John Oommen. On using prototype
reduction schemes to optimize dissimilarity-based classiﬁcation. (2006).