Resumen

El ajuste de los parámetros en las máquinas de vectores de soporte (SVM) es muy importante con respecto a su precisión y eficiencia. En este trabajo, empleamos el algoritmo de la luciérnaga para entrenar todos los parámetros de la SVM simultáneamente, incluyendo el parámetro de penalización, el parámetro de suavidad y el multiplicador lagrangiano. El método propuesto se denomina SVM basada en luciérnagas (firefly-SVM). Esta herramienta no se considera la selección de características, porque la SVM, junto con la selección de características, no es adecuada para la aplicación en una clasificación multiclase, especialmente para la SVM multiclase uno-contra-todo. En los experimentos, se exploran las clasificaciones binarias y multiclase. En los experimentos de clasificación binaria, se utilizan diez de los conjuntos de datos de referencia del repositorio de aprendizaje automático de la Universidad de California, Irvine (UCI); además, la luciérnaga-SVM se aplica al diagnóstico multiclase de imágenes ultrasónicas del supraespinoso. El rendimiento de la clasificación de la luciérnaga-SVM también se compara con el método LIBSVM original asociado al método de búsqueda en cuadrícula y a la optimización de enjambre de partículas basada en SVM (PSO-SVM). Los resultados experimentales abogan por el uso de firefly-SVM para clasificar patrones con la máxima precisión.

• Materias:Inteligencia artificial Algoritmos genéticos Ingeniería civil Neurociencia Cognitiva
• Subjects:Artificial intelligence Genetic algorithms Civil engineering Cognitive Neuroscience
• Palabras claves:svm, clasificación multiclase, svm basado, selección de características, métodos de búsqueda en cuadrícula, uso de firefly, rendimiento de firefly, optimización de enjambre de partículas, repositorio de aprendizaje automático, firefly
• Keywords:svm, multiclass classification, based svm, features selection, grid search methods, use of firefly, performance of firefly, particles swarm optimization, machine learning repository, firefly