Divergences for prototype-based classification and causal structure discovery:Theory and application to natural datasets

Dit proefschrift bestaat uit twee delen. In het eerste deel beschrijven we hoe de op prototypen gebaseerde classificator LVQ uitgebreid kan worden door gebruik te maken van maten uit de informatie theorie. Daarnaast vergelijken we verschillende manieren van datarepresentatie in deze LVQ configuratie, in dit geval histogrammen van foto’s, SIFT- en SURF-kenmerken. We tonen hoe hiervoor een enkele gecombineerde afstandsmaat kan worden geformuleerd, door de afzonderlijke afstandsmaten samen te nemen. In het tweede deel onderzoeken we het vinden van causale verbanden en toepassingen op problemen die uit het leven zijn gegrepen. Daarnaast verkennen we de combinatie met relevantie leren in LVQ en tonen we enkele toepassingen.This thesis is a two-part thesis. In the first part we discuss extensions of LVQ prototype-based classifiers that use information theoretic measures as distance measures. We also present work on the use of different representations of data, in this case histograms of images, SIFT and SURF features in the same LVQ system. We show the possibility of formulating one combined distance measure for the heterogeneous dataset formed by a combination of their individual representative distance measures. In the second part we delve into causal structure discovery and its application to real world problems. We also presented a first attempt at leveraging some of the techniques of causal learning and applying them to feature relevance learning in LVQ. We also present some deployment examples of some of the techniques to solve real world problems in Uganda particularly using causal analysis to predict the state of food security at the household level and automated diagnosis of crop disease using divergence-based LVQ techniques on a mobile device