Feature reduction using a RBF network for classification of learning styles in first year engineering students

Abstract

Cuando se tiene una gran cantidad de variables en la entrada de una Red de Neuronas Artificiales (RNA) se presentan inconvenientes en el diseño, la estructura y el desempeño mismo de la red. La reducción (y con ello selección) de características es una técnica que permite seleccionar un subconjunto de características que son consideradas relevantes en el proceso de construir un modelo robusto de aprendizaje como lo es una red neuronal. En este artículo se aplica el conocido enfoque del Análisis de Componentes Principales (ACP) para atacar este fenómeno en el diseño de una RNA tipo Función de Base Radial (RBF) aplicada a la clasificación de usuarios vía modelos de aprendizaje. Para la definición de este modelo se ha compilado una serie de datos, resultados de someter a 183 usuarios (estudiantes) de una interfaz de ordenador a una serie de 80 preguntas (que se corresponden a características de usuarios relacionadas con su estilo de aprendizaje), y se relacionan con una de las 4 posibles clasificaciones/estilos previamente definidas. Estos datos son usados para entrenar una RBF, que clasifique a los usuarios, inicialmente con los datos obtenidos sin ningún tipo de preproceso, y posteriormente con un preprocesamiento en la entrada de los datos, en el cual se reduce, aplicando el ACP, la cantidad de dimensiones (las 80 características medidas) que son las entradas a la RBF. El objeto principal es ver la pertinencia que puede llegar a tener una RNA como elemento clasificador dentro de los denominados Sistemas Adaptativos de Usuario (SAU).