Métodos de aprendizaje basados en prototipos usando la teoría de los conjuntos aproximados extendida
Fecha
2015-07-05
Autores
Frias Dominguez, Mabel
Título de la revista
ISSN de la revista
Título del volumen
Editor
Universidad Central “Marta Abreu” de Las Villas
Resumen
En la clasificación supervisada, la reducción de datos es una tarea importante,
especialmente para clasificadores basados en instancias porque a través de ella los
tiempos de ejecución se pueden reducir y obtener igual o mejor exactitud en la
clasificación. En este trabajo se proponen dos métodos de reducción de datos, un método
basado en generación de prototipos y otro basado en selección de prototipos. Ambas
propuestas son evaluadas usando varios conjuntos de datos y se comprueba usando
técnicas estadísticas, que estos nuevos métodos obtienen una exactitud en la
clasificación que supera la alcanzada con métodos clásicos y al mismo tiempo obtienen
muy buenas tasas de reducción.
Los resultados obtenidos con ambos métodos muestran que la combinación de la teoría
de los conjuntos aproximados extendida con la metaheurística PSO aplicada en tareas de
reducción de datos puede ser una excelente opción para obtener mejores resultados en la
clasificación.
In the supervised classification, the reduction of data is an important task, especially for classifiers based on instances because through it the times of execution can decrease and obtain the same or better precision in the classification. In this work, two new methods for solving classification problems based on prototypes is proposed and their performance is evaluated using several datasets. The new methods preserve a classification accuracy that is competitive with that of classical methods but, at the same time, yields very well data reduction rates. The results obtained with both methods show that the combination of the Rough Set Theory extended with the metheuristic PSO applied in tasks of reduction data can be an excellent option to obtain better results in the classification problems.
In the supervised classification, the reduction of data is an important task, especially for classifiers based on instances because through it the times of execution can decrease and obtain the same or better precision in the classification. In this work, two new methods for solving classification problems based on prototypes is proposed and their performance is evaluated using several datasets. The new methods preserve a classification accuracy that is competitive with that of classical methods but, at the same time, yields very well data reduction rates. The results obtained with both methods show that the combination of the Rough Set Theory extended with the metheuristic PSO applied in tasks of reduction data can be an excellent option to obtain better results in the classification problems.
Descripción
Palabras clave
Métodos de Aprendizaje, Prototipos, Teoría de los Conjuntos Aproximados, Clasificación Supervisada, Reducción de Datos, Clasificadores, Técnicas Estadísticas, Inteligencia Artificial