In this thesis, a new method for prototype generation in classification problems is proposed using Spectral Clustering and Gaussian distributions. This approach identifies subclasses within the training data, calculates the Gaussian distributions of these subclasses, and uses them as representative prototypes, improving the accuracy of classification models. The proposed method was evaluated using various datasets, showing significant improvement over traditional methods. The results demonstrate that this approach is robust against nonlinear classes and datasets with high dimensionality. The evaluations were conducted on different datasets, including those with noise and imbalanced classes.
En esta tesis, se propone un nuevo método para la generación de prototipos en problemas de clasificación utilizando Agrupamiento Espectral y distribuciones gaussianas. Este enfoque permite identificar subclases dentro de los datos de entrenamiento, calcularlas distribuciones gaussianas de dichas subclases y utilizarlas como prototipos representativos, mejorando la precisión de los modelos de clasificación. El método propuesto fue evaluado utilizando varias bases de datos, mostrando una mejora significativa en comparación con los métodos tradicionales. Los resultados demuestran que este enfoque es robusto frente a clases no lineales y conjuntos de datos con alta dimensionalidad. Las evaluaciones se realizaron en diferentes conjuntos de datos, incluyendo aquellos con presencia de ruido y clases no balanceadas.
