Resumo

NGUYEN CONG, Bac; RIVERO PEREZ, Jorge Luis  e  MORELL, Carlos. Aprendizaje supervisado de funciones de distancia: estado del arte. Rev cuba cienc informat [online]. 2015, vol.9, n.2, pp.14-28. ISSN 2227-1899.

La selección de una función de distancia adecuada es fundamental para los algoritmos de aprendizaje basados en instancias. Tal función de distancia dicta el éxito o el fracaso de dichos algoritmos. Recientemente se ha demostrado que, incluso una simple transformación lineal de las características de entrada, puede conducir a mejoras significativas en la clasificación de los algoritmos como k vecinos más cercanos (k-NN). Una de las principales aplicaciones de estos algoritmos es su hibridación con algoritmos de aprendizaje basados en instancias, aprendiendo así una función de distancia para la aplicación específica y no utilizando una función de distancia general; lo que ha demostrado mejorar los resultados del aprendizaje. El presente artículo presenta una panorámica sobre el aprendizaje de funciones de distancia y su modelado como un problema de optimización. Luego aborda diferentes enfoques de aprendizaje a partir de la disponibilidad de información en forma de restricciones, enfocándose en el supervisado, y bajo este los enfoques globales y locales. Además se describen modelos y estrategias de los algoritmos más representativos de cada enfoque.

Palavras-chave : aprendizaje de funciones de distancia; clasificación; k vecinos más cercanos.

        · resumo em Inglês     · texto em Espanhol     · Espanhol ( pdf )