Métodos de Mapeo de Distribuciones de Datos para Obtener Fronteras de Decisión

Abstract

En esta propuesta, se presenta un enfoque para muestrear puntos de datos fronterizos en conjuntos de datos, con el objetivo de hallar el vector óptimo para la creación de un hiperplano de separación. Postulamos que los datos ubicados en estas fronteras comparten características de ambas clases. Se describen y comparan algoritmos como Prototype Selection (PS), Local Sensitivity Hashing (LSH), K-Medoids y se propone el método R-BM, cada uno con sus características y sensibilidades únicas, destinados a mejorar la interpretación de los datos y optimizar la identificación de clases. Este trabajo proporciona un marco para seleccionar técnicas de mapeo de distribuciones de datos, contribuyendo a una mejor comprensión de las fronteras de decisión.