Implementación de algoritmos de compresión de etiquetas en la biblioteca MULAN

Vista sencilla de ítem
dc.contributor.advisorBello García, Marilyn
dc.contributor.advisorGarcía Lorenzo, María Matilde
dc.contributor.authorOrtega Valdés, Beatriz
dc.coverage.spatialSanta Claraen_US
dc.date.accessioned2018-10-19T15:51:33Z
dc.date.available2018-10-19T15:51:33Z
dc.date.issued2018-06-20
dc.description.abstractEl presente trabajo comprende el estudio de algoritmos de compresión de etiquetas para la clasificación multietiqueta y su incorporación a la biblioteca MULAN. Las motivaciones de esta tesis están en la aparición de nuevos métodos de clasificación multietiqueta que no han sido incorporados a plataformas de código abierto y en la cantidad de aplicaciones existentes de dicho tipo de clasificación, dado por el desarrollo tecnológico exponencial de ramas tan diversas de la sociedad como diagnóstico médico y categorización de textos. Durante el desarrollo de la tesis se implementan tres algoritmos en MULAN el PLST, CPLST y RLC. Luego se evalúan estos métodos con 15 conjuntos de datos multietiquetas existentes en la literatura. Finalmente, a partir de diferentes métricas se realiza una comparación de estos algoritmos con el modelo de Relevancia Binaria, donde se observa la superioridad de estos métodos, siendo RLC el más robusto entre ellos.en_US
dc.description.abstractThe present work covers the study of label compression methods and its incorporation to MULAN library. The thesis incentives were the appearance of new multilabel classification methods which had not been included to any open source library; coupled with the increasing amount of applications at areas so different as medical diagnosis and text categorization. During its development, 3 algorithms were implemented at MULAN: PLST, CPLST y RLC. Then, these algorithms were evaluated across 15 datasets downloaded from MULAN. These methods validated to be effectives strategies to reduce time cost and improve classification performance simultaneously, compared with the classic Binary Relevance model. RLC is the most robust between them.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/123456789/9958
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.subjectMultietiquetaen_US
dc.subjectTransformación de Problemasen_US
dc.subjectMétodo de Compresiónen_US
dc.subjectInteligencia Artificialen_US
dc.subject.otherClasificaciónen_US
dc.subject.otherEtiquetasen_US
dc.subject.otherCompresiónen_US
dc.subject.otherDesarrollo de Algoritmosen_US
dc.subject.otherInteligencia Artificialen_US
dc.titleImplementación de algoritmos de compresión de etiquetas en la biblioteca MULANen_US
dc.typeThesisen_US
dc.type.thesisbacheloren_US

Archivos

Bloque original
Mostrando 1 - 1 de 1
Miniatura
Nombre:
Beatriz.pdf
Tamaño:
2.05 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