Caracterización y clasificación de patrones de datos numéricos utilizando Lógica Paraconsistente Anotada y el concepto de contradicción

Resumen

Este artículo describe el desarrollo de un modelo matemático computacional que utiliza lógica paraconsistente anotada - LPA y un concepto derivado de él, el efecto de contradicción, para identificar patrones en datos numéricos con fines de clasificación de patrones. LPA soporta principios lógicos paraconsistentes y paracompletos, que permiten la manipulación de datos inconsistentes y contradictorios, y su uso permitió la identificación y cuantificación del atributo relacionado con la contradicción. Para validar el modelo se utilizaron serie de espectroscopia Raman obtenidas tras la exposición de proteínas, lípidos y ácidos nucleicos, recolectadas de muestras de células de tejido cutáneo previamente examinadas para la detección de lesiones cancerosas, identificadas como basal, melanoma y carcinoma normal. Se identificaron y cuantificaron los atributos relacionados con la contradicción, la derivada y la mediana obtenidos en la espectroscopia. Un proceso de aprendizaje automático con el 31,6% de las muestras detecta una secuencia espectroscópica capaz de caracterizar y clasificar el tipo de lesión a través de los atributos elegidos. El 68,4% de las muestras se utilizan para la clasificación. El modelo identificó un segmento de espectroscopia donde la clasificación de las muestras de prueba tenía una tasa de aciertos del 76,92%. Como diferencial e innovación de este trabajo, se destaca el uso de principios LPA en un proceso completo de entrenamiento, aprendizaje y clasificación de patrones para conjuntos de datos numéricos, con flexibilidad en la elección de atributos utilizados para la caracterización de patrones, y una serie de muestras de un tercio del total requerido para la caracterización.