Evolución de Functional Link Networks con un enfoque multiobjetivo

摘要

El proyecto se enmarca dentro del aprendizaje automático con una perspectiva multiobjetivo. En concreto trataremos de realizar una evolución de los functional link networks con un enfoque multiobjetivo. En trabajos anteriores [Sierra01] ya se había planteado la evolución de Functional Link Networks para determinar los atributos productos más relevantes, pero partiendo de un enfoque monoobjetivo. Este proyecto tiene el objetivo de estudiar un enfoque multiobjetivo, y para ello se ha utilizado un algoritmo genético multiobjetivo como es el NSGAII. El método de aprendizaje automático elegido es el modelo denominado Functional Link Networks. Se caracterizan porque construyen clasificadores no lineales mediante el uso de atributos producto y el aprendizaje suele ser rápido debido a que se eliminan las capas ocultas del perceptron multicapa, de manera que el clasificador se convierte en un perceptron simple con los atributos originales sumados a los atributos producto. El hecho de que su aprendizaje sea rápido lo convierte en una técnica de clasificación interesante en el marco de la computación evolutiva, pues para cada individuo es necesario construir y entrenar el modelo. Habrá que tener en cuenta, que la función de evaluación que se aplicará a un algoritmo genético debe tener ciertas imposiciones, ya que no podemos permitir que el tiempo en realizar cada una de las evaluaciones sea enorme y por ello, se debe descartar algunas técnicas de clasificación cuyo tiempo de evaluación sea grande. De la misma manera, no podemos pretender utilizar clasificadores tan sencillos, que sus resultados no sean competitivos con otros que se pueden obtener de la literatura. Por ello, se ha decidido utilizar FLN. En este proyecto el enfoque multiobjetivo se ha planteado de dos maneras diferentes, con la finalidad de estudiar y analizar esta perspectiva multiobjetivo. Éstas son: • Caso 1: minimizar el porcentaje de fallos total y minimizar el número de atributos producto usados en dicha solución. • Caso 2: minimizar el porcentaje de fallos para cada una de las clases a clasificar.