Weights matter: optimizing feature contributions to enhance similarity measures

Read full text Summarise with VIRAT
Authors: Nuria Lou Enseñat Balaguer
Cited by: 0
References: 19

Summary

No summary yet. VIRAT can read this paper and write a plain-language summary of its aim, methods, key findings and limitations.

Summarise with VIRAT Free to try with your Science Catalogs account.

Abstract

Definir una mesura de similitud efectiva és un repte comú en l'anàlisi de dades, particularment per a conjunts de dades heterogenis. Els enfocaments estàndard, com el coeficient de Gower, solen assignar una importància uniforme a totes les característiques, fallant a l'hora de capturar la rellevància variable de les característiques dins de l'estructura de les dades. Aquest treball de fi de grau proposa un marc agnòstic al model per optimitzar dinàmicament els pesos de les característiques i millorar les mesures de similitud en entorns de dades mixtes. La metodologia empra un enfocament d'optimització bayesiana utilitzant l'Estimador de Parzen Estructurat en Arbre (Tree-structured Parzen Estimator) per minimitzar la similitud entre característiques de diferents classes. Per assegurar pesos vàlids i robustos, la funció objectiu integra una parametrització Softmax amb regularització basada en entropia. La qualitat dels pesos apresos es valida utilitzant l'algorisme de k-Veïns Més Propers (k-Nearest Neighbors) com a referència, escollit per la seva dependència directa de la geometria de l'espai de característiques. Els resultats experimentals en escenaris sintètics controlats demostren la capacitat de l'algorisme per recuperar amb precisió la importància real de les característiques i suprimir el soroll. L'aplicació a conjunts de dades del món real -incloent-hi Horse-Colic, Contraceptive Method Choice i Neurofibromatosis- mostra que les mètriques ponderades optimitzades funcionen millor que les mètriques no ponderades. A més, l'anàlisi revela que la regularització per entropia és crítica per extreure senyals estables en entorns d'alt soroll, mentre que l'optimització voraç (greedy) és més adequada per a conjunts de dades amb predictors dominants. L'anàlisi confirma que el mètode proposat filtra eficaçment el soroll i recupera la importància significativa de les característiques, proporcionant un mecanisme robust per a l'aprenentatge de similitud en dades de tipus mixt.

Fields of Study & Subjects

Data Mining and Machine Learning Applications Machine Learning and Data Classification Statistical Methods and Applications

Publication details

Journal / source
UPCommons institutional repository (Universitat Politècnica de Catalunya)
Publication date
20 January 2026
Language
EN
Document type
Thesis