Contents

• Contents
• 1. Introducción
• 2. Estimación de la función de densidad
  • 2.1 Estimadores de Parzen
  • 2.2 Estimación mediante los k vecinos más próximos
• 3. Métodos de clasificación del vecino más próximo
  • 3.1 Las reglas 1-NN y k-NN
  • 3.2 Cotas de error de las reglas 1-NN y k-NN
  • 3.3 Extensiones: clase de rechazo
  • 3.4 Consideraciones sobre las reglas k-NN
• 4. Edición del conjunto de entrenamiento
  • 4.1 Notación
  • 4.2 Edición de Wilson
  • 4.3 Edición por particiones
  • 4.4 Multiedición
  • 4.5 Conclusiones
• 5. Reducción del coste computacional para los métodos del vecino más cercano
  • 5.1 Justificación
  • 5.2 Algoritmos de Condensado
  • 5.3 Ejemplos de edición y condensado
• 6. Métodos de aprendizaje adaptativo
  • 6.1 Aprendizaje competitivo y cuantificación vectorial
  • 6.2 Aprendizaje por cuantificación vectorial (LVQ)
  • 6.3 Aprendizaje de superficies de decisión (DSM)
• 7. Arboles de Clasificación
  • 7.1 Introducción
  • 7.2 Construcción del árbol de clasificación
  • 7.3 Selección de las particiones
  • 7.4 Regla de asignación de clases
  • 7.5 Criterio de parada
  • 7.6 Ejemplos reales
• 8. Bibliografía