Un algoritmo difuso de K-vecinos más cercanos

La clasificación de objetos es un área importante de investigación y aplicación en una variedad de campos. En presencia de conocimiento completo de las probabilidades subyacentes, la teoría de decisión de Bayes ofrece tasas de error óptimas. En aquellos casos donde esta información no está disponible, muchos algoritmos utilizan la distancia o similitud entre muestras como medio de clasificación. La regla de decisión K-vecinos más cercanos se ha utilizado frecuentemente en estos problemas de reconocimiento de patrones. Una de las dificultades que surge al utilizar esta técnica es que a cada una de las muestras etiquetadas se le da igual importancia para decidir las pertenencias a clases del patrón a clasificar, sin importar su "típicidad". Se introduce la teoría de conjuntos difusos en la técnica de K-vecinos para desarrollar una versión difusa del algoritmo. Se proponen tres métodos para asignar membresías difusas a las muestras etiquetadas, y se presentan resultados experimentales y comparaciones con la versión nítida.