english Icono del idioma   español Icono del idioma  

Por favor, use este identificador para citar o enlazar este ítem: https://hdl.handle.net/20.500.12008/21101 Cómo citar
Registro completo de metadatos
Campo DC Valor Lengua/Idioma
dc.contributor.advisorBourel, Mathias-
dc.contributor.advisorGhattas, Badih-
dc.contributor.advisorRobledo Amoza, Franco-
dc.contributor.authorGonzález, Meliza-
dc.date.accessioned2019-06-27T19:20:33Z-
dc.date.available2019-06-27T19:20:33Z-
dc.date.issued2018-
dc.identifier.citationGonzález, M. Comparación de particiones en aprendizaje automático no supervisado [en línea] Tesis de maestría. Montevideo : UR.FI.IMERL, 2018.es
dc.identifier.urihttps://hdl.handle.net/20.500.12008/21101-
dc.description.abstractEn esta tesis se presenta un estudio sobre índices de comparación de particiones de un mismo conjunto de datos, utilizados para la evaluación externa de los resultados de métodos de clasificación no supervisada. Se elabora un estado del arte en cuanto a los índices existentes y sus propiedades y se calculan algunos de los más conocidos sobre datos simulados a modo de ejemplo. Este trabajo se centra en el índice Mínimo Error de Clasificación (MCE, por su sigla en inglés), medida basada en la tabla de contingencia de dos particiones. Se estudia y profundiza sobre sus propiedades y en especial su distribución. Se establece la expresión analítica de la función de distribución teórica para el caso de la comparación de dos particiones independientes, con dos clases balanceadas. Algunas propiedades demostradas pudieron extenderse para el caso de tres clases y para el caso general. También se estudian las propiedades de la distribución empírica sobre datos simulados, variando algunos parámetros experimentales, y mostramos una aplicación sobre un conjunto de datos supervisados reales de imágenes de dígitos escritos a manos, conocido como MNIST. En este último caso, planteamos el problema de clasificación no supervisada y la validación externa de los resultados basada en nuestro índice se realiza comparándolos con la verdadera etiqueta de los datos. Los resultados del MCE se comparan con otros índices de validación externa mediante correlaciones y en distintos escenarios. Finalmente, a partir de la distribución del índice, se diseña un test de hipótesis que permite contrastar si dos particiones son independientes. El desempeño de la prueba se evalúa calculando los errores de tipo I y II obtenidos con datos simulados artificialmente.es
dc.format.extent64 h.es
dc.format.mimetypeapplication/pdfen
dc.language.isoeses
dc.publisherUR.FI.IMERLes
dc.rightsLas obras depositadas en el Repositorio se rigen por la Ordenanza de los Derechos de la Propiedad Intelectual de la Universidad de la República.(Res. Nº 91 de C.D.C. de 8/III/1994 – D.O. 7/IV/1994) y por la Ordenanza del Repositorio Abierto de la Universidad de la República (Res. Nº 16 de C.D.C. de 07/10/2014)es
dc.subjectComparación de particioneses
dc.subjectÍndices de valoración externaes
dc.subjectError de clasificaciónes
dc.subjectAnálisis de clusteres
dc.subjectAprendizaje no supervisadoes
dc.titleComparación de particiones en aprendizaje automático no supervisadoes
dc.typeTesis de maestríaes
dc.contributor.filiacionGonzález Meliza, Universidad de la República (Uruguay). Facultad de Ingeniería-
thesis.degree.grantorUniversidad de la República (Uruguay). Facultad de Ingenieríaes
thesis.degree.nameMagíster en Ingeniería Matemáticaes
dc.rights.licenceLicencia Creative Commons Atribución – No Comercial – Sin Derivadas (CC-BY-NC-ND)es
Aparece en las colecciones: Tesis de Posgrado - Facultad de Ingeniería

Ficheros en este ítem:
Fichero Descripción Tamaño Formato   
tm-mgonzalez.pdf583,66 kBAdobe PDFVisualizar/Abrir


Este ítem está sujeto a una licencia Creative Commons Licencia Creative Commons Creative Commons