Dissertação de Mestrado

A área de reconhecimento de padrões possui como um dos seus problemas mais importantes a seleção de atributos. Este trabalho pretende introduzir um novo índice de separabilidade entre classes para a seleção de atributos, baseado nas características geométricas das distribuições das classes a serem classificadas. Este índice é baseado em um particionamento adaptativo do espaço de atributos que utiliza um custo computacional bastante menor que o critrio de m´ínima taxa de erro para o classificador de bayes e com a vantagem de nao utilizar informacoes sobre as funcoes densidade de probabilidade das distribuicoes das amostras. Varios testes foram realizados, tendo como parametros de comparacao a taxa de erro de Bayes e o critério do traço do produto da inversa da matriz W (matriz de espalhamento intra-classes) pela matriz B (matriz de espalhamento entre classes). Estes testes incluiram distribuições Gaussianas e não Gaussianas. O índice proposto fornece respostas bastante próximas das obtidas pelo critério de mínima taxa de erro do classificador de Bayes.

The pattern recognition field has feature selection as a main problem. This work intends to present a new class separability index to feature selection, based on the geometrical characteristics of the class distributions to be classified. This index is based on a adaptive feature space partition that needs a smaller computational cost than the minimum error rate for the Bayes classifier, with the further advantage of not using information about the probability density function from the distribution of the samples. Many tests were executed, using as comparing parameters the error rate for the Bayes classifier and the trace of the product of the inverse W matrix (within lasses spread matrix) and the matrix B (between classes spread matrix). These tests included Gaussian and non Gaussian distributions. The proposed index finds answers close those found by the minimum error rate for the Bayes classifier.