Publicación:
Editor:
Editor Técnico:
ISSN:
Ejemplar/Número:
Cateoría:
Páginas:
Colección:
Fecha de inicio:

Programación Matemática y Software
Universidad Autónoma del Estado de Morelos
Dr.Marco Antonio Cruz Chávez
2007-3283
Volumen 1, Número 1 /Junio de 2009
Artículo de Investigación
13-32
Computación
Martes, 16 de Junio de 2009

R. Alejo , V. García y F. García

Dept. Llenguatges i Sistemes Informátics, Universitat Jaume I Av. Sos Baynat s/n, 12071 Castelló de la Plana (España)
Centro Universitario Atlacomulco, Universidad Autónoma del Estado de México Carretera Toluca-Atlacomulco Km. 60 Atlacomulco (México)
Lab. de Reconocimiento de Patrones, Instituto Tecnológico de Toluca Av. Tecnológico s/n, 52140 Metepec (México)

Recibido: 29 de Abril de 2008 Aceptado: 2 de Septiembre de 2008 Publicado en línea: 26 de Junio de 2009

Resumen. Es común que los clasificadores sean diseñados para trabajar con bases de datos balanceadas, es decir, sobre conjuntos de datos donde no hay diferencia significativa en el número de patrones entre clases. En investigaciones recientes, el problema de las distribuciones no balanceadas de las clases, ha sido reconocido como un factor crítico en el desempeño del clasificador. Sin embargo, la comunidad científica se ha centrado en el tratamiento de problemas de dos clases y pocos trabajos abordan este problema en dominios de múltiples clases. En este trabajo, se estudian alternativas distintas para reducir la influencia del desbalance de la distribución de las clases cuando se trabaja con bases de datos de múltiples clases y redes neuronales entrenadas con el algoritmo back-propagation. Estas estrategias se basan en la modificación del algoritmo de aprendizaje para mejorar la capacidad de generalización de la red y acelerar su proceso de convergencia. Además se incluye una comparación entre el desempeño de Redes Modulares y No Modulares entrenadas con distribuciones no balanceadas.