Cap´ıtulo 8 Aprendizaje Basado en Instancias
Cap´ıtulo 8 Aprendizaje Basado en Instancias
Cap´ıtulo 8 Aprendizaje Basado en Instancias
Create successful ePaper yourself
Turn your PDF publications into a flip-book with our unique Google optimized e-Paper software.
• Funciones basadas <strong>en</strong> el query. Los parámetros de la función de distancia<br />
se ajustan con cada query, típicam<strong>en</strong>te minimizando el error con<br />
validación cruzada.<br />
• Funciones basadas <strong>en</strong> puntos. Cada dato ti<strong>en</strong>e asopciado su propia<br />
función de distancia<br />
El cambiar/ajustar la función de distancia puede mejorar las predicciones.<br />
Las funciones de distancia típicas para datos continuos son:<br />
• Euclideana<br />
dE(x,q) = (xj − qj) 2 =<br />
• Euclideana pesada diagonalm<strong>en</strong>te<br />
dm(x,q) = (mj(xj − qj) 2 ) =<br />
j<br />
j<br />
<br />
(x − q) T (x − q)<br />
<br />
(x − q) T M T M(x − q) = dE(Mx,Mq)<br />
donde mj es el factor de escala <strong>en</strong> la dim<strong>en</strong>sión j y M es una matriz<br />
diagonal con Mjj = mj.<br />
• Euclideana completa o Mahalanobis<br />
dM(x,q) =<br />
donde M puede ser arbitraria.<br />
• Normal o Minkowski<br />
<br />
(x − q) T M T M(x − q) = dE(Mx,Mq)<br />
dp(x,q) = ( <br />
i<br />
|xi − qi)| p ) 1<br />
p<br />
• Normal pesada diagonal o completa. Igual que la Minkowski pero incluy<strong>en</strong>do<br />
pesos.<br />
182