El algoritmo ENGE. Aspectos que los distiguen del algoritmo NGE

Abstract

El perfeccionamiento y desarrollo de nuevos algoritmos de clasificación supervisada, constituye un tema de interés en la Inteligencia Artificial. Se presenta el algoritmo ENGE, extensión del algoritmo supervisado basado en híper rectángulos anidados, “Nested Generalized Exemplar (NGE)”, expuesto internacionalmente como “A Nearest Hyper Rectangle Learning Method” por S. Salzberg. En el algoritmo NGE un ejemplar generalizado es un híper rectángulo con lados paralelos a los ejes coordenados que puede cubrir varios ejemplos. Los híper rectángulos pueden solaparse o anidarse, crecer a medida que se procesan ejemplos. Un nuevo ejemplo se clasifica mediante la distancia entre el ejemplo y cada uno de los ejemplares. Si un ejemplo está contenido en un ejemplar generalizado, la distancia al ejemplar es cero; sino la distancia entre el ejemplo y el ejemplar es su distancia euclídea ponderada. La clase del ejemplar generalizado más cercano, es la clasificación. El algoritmo ENGE que propone el autor, sigue la lógica de NGE y se distingue en: la forma de selección de los ejemplares iniciales, el cálculo de los pesos de los atributos para determinar la distancia entre un ejemplo y un ejemplar. En ENGE se modifica una métrica entre valores nominales. Se define una forma para calcular el área de híper rectángulos con dimensiones nominales y con ello se amplía ENGE más allá de NGE. Se define el PPG, medida de evaluación de los algoritmos de inducción de reglas. Las modificaciones se implementan en el software ENGE y se validan usando conjuntos de datos dedicados internacionalmente para pruebas. Palabras clave: clasificación, NGE, aprendizaje supervisado, híper rectángulos.