Estudio de la clasificación multietiqueta gradual (Graded MLC)

Vista sencilla de ítem
dc.contributor.advisorRodríguez Sarabia, Yanet
dc.contributor.advisorMariño Rivero, Adis Perla
dc.contributor.authorAbreu Stincer, Guillermo
dc.coverage.spatialSanta Claraen_US
dc.date.accessioned2018-04-12T13:52:05Z
dc.date.available2018-04-12T13:52:05Z
dc.date.issued2015-05-29
dc.description.abstractEn los últimos años la Clasificación Multietiqueta Gradual (GMLC) ha ganado especial atención dentro del Aprendizaje Automatizado debido a la gran utilidad que ofrece para la solución de problemas actuales e importantes para el desarrollo de la vida humana. En la Clasificación Multietiqueta se busca encontrar dado un conjunto de etiquetas preestablecidas, a cuál de ellas pertenecen o no cada instancia de un conjunto dado. La Clasificación Multietiqueta Gradual generaliza esta metodología permitiendo especificar el grado de pertenencia en que se relacionan cada instancia y las etiquetas. Existen una gran cantidad de problemas que pueden ser solucionados utilizando este paradigma como la clasificación de películas por géneros o de libros por temáticas abordadas. Generalmente la Clasificación Multietiqueta Gradual está asociada a las preferencias y resulta mucho más entendible cuando es explicada a través de ranking de etiquetas. Sin embargo, al ser un tema tan reciente y poco documentado, su bibliografía se encuentra limitada a unos pocos artículos y todavía no muestra una amplia gama de soluciones. Por estas razones este trabajo se centra en la realización de un marco teórico que facilite el estudio de esta rama a través de la recopilación y resumen de diferentes artículos existentes en la literatura hasta la fecha. Además con la utilidad agregada se convirtió al marco de trabajo MULAN en una herramienta más potente debido a la incorporación de un paquete dedicado a la resolución de problemas de GMLC a través de la integración de cinco métodos que utilizan Comparación por pares y Ranking de Etiquetas Calibradas.en_US
dc.description.abstractOver the last years the Graded Multilabel Classification (GMLC) has gained special attention in Machine Learning for the great utilities it offers in the solution of current and important problems for the development of the human life. The purpose of Multilabel Classification is given a group of preset labels, to find which of them are related or not to each instance of a given group. The Graded Multilabel Classification generalizes this methodology allowing to specify the membership deegres between the instances and the labels. There is a big amount of problems that can be solved using this paradigm, such as the classification of movies for genders or books for thematics. Generally the Graded Multilabel Classification is associated to preferences and it is much understandable when it is explained through of labels ranking. However, because it is such a recent topic, it´s bibliography is limited to some few articles and it doesn’t still show a wide range of solutions. For these reasons this work is centered in the compilation of theories that facilitates the study of this branch of the Multilabel Classification through the summary of different existing articles in the literature so far. Beside, with the added utility MULAN becomes in a more powerful tool with the incorporation of a new package dedicated to the solving of GMLC problems containing five approaches which usePairwise Comparisons and Calibrated Label Ranking.en_US
dc.description.sponsorshipFacultad de Matemática, Física y Computación. Departamento de Ciencias de la Computaciónen_US
dc.description.statusnon-publisheden_US
dc.identifier.urihttps://dspace.uclv.edu.cu/handle/123456789/9229
dc.language.isoesen_US
dc.publisherUniversidad Central “Marta Abreu” de Las Villasen_US
dc.rightsEste documento es Propiedad Patrimonial de la Universidad Central “Marta Abreu” de Las Villas. Los usuarios podrán hacer uso de esta obra bajo la siguiente licencia: Creative Commons: Atribución-No Comercial-Compartir Igual 4.0 Licenseen_US
dc.subjectClasificación Multietiqueta Gradual (GMLC)en_US
dc.subjectAprendizaje Automatizadoen_US
dc.subjectRanking de Etiquetasen_US
dc.subjectComparación por Paresen_US
dc.subjectRanking de Etiquetas Calibradasen_US
dc.subjectDesarrollo de Herramientaen_US
dc.subject.otherMarco Teóricoen_US
dc.subject.otherClasificación Multietiquetaen_US
dc.subject.otherAprendizaje Automatizadoen_US
dc.subject.otherEstadísticas no Paramétricasen_US
dc.subject.otherPaqueteen_US
dc.subject.otherResolución de Problemasen_US
dc.subject.otherDesarrollo de Herramientasen_US
dc.titleEstudio de la clasificación multietiqueta gradual (Graded MLC)en_US
dc.typeThesisen_US
dc.type.thesisbacheloren_US

Archivos

Bloque original
Mostrando 1 - 1 de 1
Miniatura
Nombre:
Estudio de la Clasificación Multietiqueta Gradual - Guillermo Abreu Stincer.pdf
Tamaño:
1.18 MB
Formato:
Adobe Portable Document Format
Descargar
Bloque de licencias
Mostrando 1 - 1 de 1
No hay miniatura disponible
Nombre:
license.txt
Tamaño:
3.33 KB
Formato:
Item-specific license agreed upon to submission
Descripción:
Descargar

Colecciones

Tesis de Pregrado - Licenciatura en Ciencias de la Computación