Resumen de Clasificación mediante programación genética

José Cristobal Riquelme Santos , F. Fernández Bejarano, P. González Morón, José Miguel Toro Bonilla

• español

  En este trabajo se presenta un estudio para la obtención de un clasificador, de forma que partiendo de un espacio real de dimensión n y de dos conjuntos de puntos de características distintas, existentes en el mismo, se establecen dos subespacios separados mediante una superficie de codimensión 1, que es hallada de forma simbólica. para la obtención del clasificador se parte del desarrollo de la regresión paramétrica. Ésta, conociendo las coordenadas de ciertos puntos y el valor que alcanza una función para los mismos, trata de aproximar dicha función, que nos era desconocida en un principio, y que se ajuste a dichos valores. Para llevar a cabo la regresión paramétrica se propone hacer uso de la Programación Genética, variante de los Algoritmos Genéticos en la que los individuos son árboles. Esta posibilidad fue propuesta en (Koza 92a) y tiene como ventaja evidente sobre las regresiones estadísticas clásicas el no tener que conocer previamente la forma de la función. Una vez hallada esta superficie Φ se obtendría un clasificador para el conjunto de puntos, pues valores positivos de Φ indicarían una determinada característica y los negativos la contraria. Se ha aplicado la técnica en diversos ejemplos y los resultados han sido muy satisfactorios.

• English

  A method to obtain a classifier is presented in this paper. The initial information is a real space n-dimensional with two sets of points of different characteristics. The aim is to define in a symbolic way the codimension 1 surface that separate each set. We use a parametric regression that tries to approximate the analytic formula of an unknown function from the coordinates of a set of points and their values for this function. In order to carry out the parametric regression, the use of Genetic Programming (GP) is proposed. The GP is a variation of Genetic Algorithms where the individuals are trees. The use of GP for regression was proposed in (Koza 92a) and has as evident advantage on the statistic regression, that it have to know previously the form of the function. The function Φ found can be used as classifier for the space, as positive values of Φ would indicate a characteristic, and the negative values the opposite one. This technique has been applied in several examples and the results have been very satisfactory.