Selección de instancias para el clasificador asociativo gamma usando la teoría extendida de los conjuntos aproximados

Vista sencilla de ítem
dc.contributor.advisorVilluendas Rey, Yenny
dc.contributor.advisorLópez Yáñez, Itzamá
dc.contributor.authorAntón Vargas, Jarvin Alberto
dc.coverage.spatialSanta Claraen_US
dc.date.accessioned2018-04-10T17:43:12Z
dc.date.available2018-04-10T17:43:12Z
dc.date.issued2016-05-25
dc.description.abstractEl reconocimiento de patrones constituye una ciencia multidisciplinaria que se ha caracterizado por un continuo desarrollo en disímiles aristas. El enfoque asociativo en los últimos años se ha caracterizado por crear métodos de una marcada sencillez y eficacia, comparable en la mayoría de los casos con muchos de los modelos desarrollados siguiendo otros enfoques, aunque no está exento de sufrir las mismas deficiencias que estos otros métodos. En el presente trabajo se realiza una propuesta de selección de instancias para el clasificador asociativo Gamma desarrollado por López Yáñez en el 2007, en el Centro de Investigación en Computación del Instituto Politécnico Nacional de México, basado en la teoría extendida de los Conjuntos Aproximados (Rough Sets), tomando como base elementos del propio clasificador, logrando eliminar las instancias que pueden afectar la precisión del mismo. De esta forma se propone el uso de la teoría extendida de los Conjuntos Aproximados, lo que constituye la base principal del método de selección de instancias GRIS (Gamma Rough based Instance Selection). Para la validación del nuevo enfoque, se tomaron como medidas, la exactitud lograda por el clasificador asociativo Gamma sobre bases de datos balanceadas, el promedio de la exactitud de la clasificación por clases sobre bases de datos desbalanceadas y el índice de retención de objetos, y se evalúa con otros modelos de selección de instancias como el ENN, GGE, RNGE, MSEditB, basados en el error de clasificación, por lo que se consideran como de propósito similar. La evaluación se realizó sobre un conjunto de bases de datos internacionales. De esta forma los resultados del nuevo método presentaron similar comportamiento con respecto a los otros modelos con respecto a la precisión de la clasificación. De igual forma se obtuvo una mayor reducción de la cantidad de instancias en la mayoría de las bases de datos.en_US
dc.description.abstractPattern recognition is a multidisciplinary science that has been characterized by a continuous development in dissimilar edges. The associative approach in recent years has been characterized by creating methods with a marked simplicity and efficiency, comparable in most cases with many of the models developed in accordance with other approaches, although not exempt from suffering the same deficiencies as these other methods. In this paper a proposal for instance selection for associative Gamma classifier developed by López Yáñez in 2007, at the Center for Computing Research, National Polytechnic Institute of Mexico, based on the extended theory of rough sets is made, using elements of the classifier itself, achieving eliminate instances that may affect the accuracy of the same. Thus the use of the extended theory of rough sets is proposed to be the main basis of the instance selection method GRIS (Gamma Rough based Instance Selection). To validate the new approach were taken as measures, the accuracy achieved by the associative classifier Gamma, the average of the accuracy and Objects Retention Index, evaluated with other models from the state of the art such as the ENN, GGE, RNGE, MSEditB, all these methods based at classification error, which are considered of similar purpose. The evaluation was conducted on a set of international databases. Thus the results of the new method presented similar behavior with respect to the other models regarding the classification accuracy. By other hand the reduction of the number of instances obtained was superior in most of the databases.en_US
dc.description.sponsorshipFacultad de Matemática, Física y Computación. Departamento de Computaciónen_US
dc.description.statusnon-publisheden_US
dc.identifier.urihttps://dspace.uclv.edu.cu/handle/123456789/9221
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.subjectSelección de Instanciasen_US
dc.subjectClasificador Asociativo Gammaen_US
dc.subjectConjuntos Aproximadosen_US
dc.subjectTeoría Extendidaen_US
dc.subjectInteligencia Artificialen_US
dc.subject.otherReconocimiento de Patronesen_US
dc.subject.otherConjuntos Aproximadosen_US
dc.subject.otherSelecciónen_US
dc.subject.otherInstanciasen_US
dc.subject.otherClasificadoren_US
dc.subject.otherModeloen_US
dc.subject.otherValidaciónen_US
dc.subject.otherInteligencia Artificialen_US
dc.titleSelección de instancias para el clasificador asociativo gamma usando la teoría extendida de los conjuntos aproximadosen_US
dc.typeThesisen_US
dc.type.thesismasteren_US

Archivos

Bloque original
Mostrando 1 - 1 de 1
Miniatura
Nombre:
Tesis Maestria (Jarvin Anton).pdf
Tamaño:
614.22 KB
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 Maestría - Ciencias de la Computación