Aprendizaje bajo supervisin

Se han intentado adaptar tcnicas de aprendizaje supervisado para ser utilizadas

en aprendizaje no supervisado, como son rboles de decisin no supervisados
(Gutierrez, et al., 2012), donde no se tienen en cuenta las clases, porque los objetos
no estn etiquetados y para cada nodo del rbol, es dividido de acuerdo a un ndice
de validacin del agrupamiento. Tambin se ha utilizado el mtodo k-NN para
agrupamiento, donde se utiliza la regla del k vecino ms cercano (Pascual, et al.,
2007).
Como consecuencia de lo anterior el agrupamiento ha utilizado un mtodo de
bsqueda y optimizacin que se encuentra en la computacin evolutiva y son los
algoritmos genticos (Gestal, 2010).
Los algoritmos genticos permiten buscar los parmetros que ayuden a mejorar los
grupos que forman o su mejor homogeneidad en los elementos de cada grupo.
Los algoritmos genticos simulan la evolucin natural (Kuri & Galaviz, 2007) donde
dada una poblacin inicial se selecciona los individuos ms aptos que se cruzn
para que se reproduzcan. A partir de esto se pueden obtener nuevas generaciones,
mejores que las anteriores. Cada uno de los individuos de la poblacin son
evaluados mediante una funcin de aptitud (Pajares & Santos, 2006), la que indica
qu tan apto es el individuo. El individuo pasa por operadores genticos como la
seleccin, cruza y mutacin.
El operador de seleccin se encargar de seleccionar a los dos individuos ms
aptos de la poblacin. El operador de cruza es el encargado de mezclar los genes
de los individuos que fueron seleccionados para que se puede obtener hijos ms
fuertes (Lpez, 2010). El operador de mutacin es donde puede haber alteraciones
en un gen o en varios genes del hijo, sta puede ser de forma aleatoria y pueden
ayudar a mejorar la funcin de aptitud del individuo (Kuri & Galaviz, 2007).

Con el uso de estos algoritmos podemos resolver alguno de los problemas del
agrupamiento, porque, aunque no garantizan obtener la mejor solucin, si
garantizan obtiene una de las mejores soluciones.

Carrasco, J. A. & Martnez, J. F., 2011. Reconocimiento de Patrones. Komputer

Sapiens, pp. 5-9.
Cervign, L. A. y. C., 2009. Algoritmos Evolutivos. Madrid Espaa: RA-MA.
Chapelle, O., Schlkopf , B. & Zien, A., 2006. Semi-Supervised Learning. London:
The MIT Press.
Corso, C. L., 2009. Aplicacin de algoritmos de clasificacion supervisada usando
weka. Argentina(Crdova): Universidad Tecnolgica Nacional, Facultad Regional
Crdoba.
Cortijo, F. J., 2001. Tecnicas no supervisadas Mtodos de agrupamiento. s.l.:s.n.
Davies, D. L. & Bouldin, D. W., 1979. A cluster separation measure. Pattern Analysis
and Machine Intelligence, IEEE Transactions, Abril, 2(PAMI-1), pp. 224-227.
De la O, J. R., 2007. Interfaz Cerebro-Computadora para el control de un cursor
Basado en Ondas Cerebrales. Mxico: s.n.
Desgraupes, B., 2013. Clustering Indices. Paris: s.n.
Daz,
Available

C.,

2007.
at:

Clasificacion

no

Supervisada.

[En

lnea]

http://clustering.50webs.com/supervisadovsnosupervisado.html

[ltimo acceso: 6 Diciembre 2013].

Daz, J. C., 2010. Un algoritmo Gentico con codificacin real para la evolucion de
Trasformaciones Lineales. Laganes: s.n.
Duda, R. D., Stork, D. G. & Hart, P. E., 2000. Pattern Classification. Second ed.
California: Wiley.

Dunn, J. C., 1974. Well separated clusters and optimal fuzzy partitions. Journal of
Cybernetics, Issue 4, pp. 95-104.