Pattern classification is a field that has many applications, including image analysis, speech and audio recognition, biometrics, bioinformatics, data mining, and information retrieval, among others. Artificial Neural Networks (ANN) have been successfully used as a classifier system in recent years. They have shown an exceptional ability to learn classification functions. However, in order to design an efficient ANN classifier one needs to address the following questions: (1) What neural network architectures should be used? (2) How many neurons are appropriate for the task? (3) Which learning algorithm is the most suitable? (4) How much should be trained one neural network in order to be effective? In addition to these questions, intrinsically every classification problem also involves answering to: (5) What features are relevant to discriminate one object from another? The task of designing the structure of an ANN, is typically done by an expert in both the problem and the ANN’s field. To avoid the inconvenience of relying on a human expert, it is a good idea to obtain the design of the network by an automatic process, this is, (6) automated design of artificial neural network. This work aims to answer the aforementioned questions; to do so an evolutionary approach is proposed to automatically design ANNs for classification. GEANN, Genetic-Evolutionary Approach for Neural Networks performs feature selection. Designs the ANN’s topology and selects a training algorithm between backpropagation, batch backpropagation, resilient backpropagation, and quickprop. We deal with overfitting of the net by doing a K-fold cross validation.
La clasificación de patrones es un campo que tiene muchas aplicaciones, incluyendo el análisis de imágenes, reconocimiento de voz y audio, datos biométricos, bioinformática, minería de datos y recuperación de información, entre otros. Las Redes Neuronales Artificiales (RNA) se han utilizado con éxito como sistemas clasificadores en los últimos años. Han demostrado una capacidad excepcional para aprender las funciones de clasificación. Sin embargo, con el fin de diseñar un eficiente clasificador de RNA se necesita hacer frente a las siguientes preguntas: (1) ¿Que arquitectura de RNA se debe utilizar? (2) ¿Cuántas neuronas son apropiadas para la tarea? (3) ¿qué algoritmo de aprendizaje es el más adecuado? (4) ¿Cuánto debe ser entrenada una RNA para ser eficaz? Además de estas preguntas, intrínsecamente cualquier problema de clasificación también involucra responder a: (5) ¿qué características son relevantes para discriminar un objeto de otro? La tarea de diseñar la estructura de la red, típicamente es realizada por un experto, tanto en el área del problema como en el campo de las redes neuronales. Para evitar el inconveniente de depender de un experto humano, es una buena idea obtener el diseño de la red mediante un proceso automático, esto es, (6) diseño automatizado de la red neuronal artificial. Este trabajo pretende dar respuesta a las preguntas anteriores; para hacerlo se propone un enfoque evolutivo para diseñar automáticamente RNAs para clasificación. EGERN, Enfoque Genético-Evolutivo para Rededes Neuronales lleva a cabo selección de características, el diseño de la topología de la RNA y selecciona un algoritmo de entrenamiento entre propagación hacia atrás, propagación hacia atrás por lote, propagación hacia atrás resistente y quickprop. Nos ocupamos del sobre entrenamiento de la red haciendo una validación cruzada.
