Laniado Rodas, Henry2020-10-162020https://hdl.handle.net/10784/24154La principal contribución de este trabajo es la combinación de medidas de similaridad, métodos para la construcción de subespacios y modelos de clasificación. Específicamente, se uso el NCC como medida de similaridad, la cual fue proyectada al espacio propio en descomposición de valores singulares siguiendo la metodología Eigenfaces , para luego aplicar modelos de clasificación sobre estas proyecciones. Se observo para esta combinación de métodos unos resultados con un accuracy del 81% y una capacidad predictiva de al menos 79%.The main contribution of this work is the combination of similarity measures, methods for the construction of subspaces and classification models. Specifically, the NCC was used as a measure of similarity, which was projected to subspace in singular value decomposition following the Eigenfaces methodology, to then apply classification models on these projections. Results with an accuracy of 81% and a predictive capacity of at least 79% were observed for this combination of methods.application/pdfspaMapa de correlacionesBIANCAPermutacionesEntropíaEigenfacesMachine Learninginfo:eu-repo/semantics/masterThesisinfo:eu-repo/semantics/openAccessMODELOS MATEMÁTICOSTOMA DE DECISIONESCorrelation mapBiancaPermutationsEntropyEigenfacesMachine LearningAcceso abierto2020-10-16Cardona Pineda, Danny Styvens511.8 C268reponame:Repositorio Institucional Universidad EAFITinstname:Universidad EAFITrepourl:https://repository.eafit.edu.cohttp://purl.org/coar/access_right/c_abf2