Bonet Cruz, IsisGrau Ábalo, Ricardo del CorazónRodríguez Abed, Abdel2017-03-102017-03-102007-06-05https://dspace.uclv.edu.cu/handle/123456789/7579En este trabajo se diseña e implementa un sistema multiclasificador basado en una secuencia de clasificadores que se especializan en las regiones de la base de entrenamiento donde se han concentrado los errores de los homólogos ya entrenados. Para ello se usa un conjunto de clasificadores jueces construidos jerárquicamente para separar dichas regiones y determinar la aptitud de cada clasificador para responder adecuadamente ante un nuevo caso. Para combinar las salidas de los clasificadores se usan dos variantes. La primera, basada en la selección de un único experto; y la segunda por medio de una votación pesada. Se validaron los dos modelos con diferentes clasificadores base, usando 37 bases de casos entre las cuales se encuentran 11 de carácter biomédico o bioinformático. Se realizó una comparación estadística de estos modelos con los multiclasificadores más usados: Bagging y Boosting, obteniendo resultados significativamente superiores con el multiclasificador jerárquico usando Multilayer Perceptron como clasificador base y una combinación por selección. Esto demostró la eficacia del modelo propuesto, así como su aplicabilidad en bases de carácter generalIn this thesis we designed and implemented a new ensemble of classifiers based on a sequence of classifiers which were specialized in regions of the training dataset where errors of its trained homologous are concentrated. In order to separate this regions, and to determine the aptitude of each classifier to properly respond to a new case, it was used another set of classifiers built hierarchically. We explored two variants to combine the base classifiers. The first one was based on the selection of only one expert; and for the second one we used a weighted vote. We validated both models with different base classifiers using 37 training datasets, 11 of them have biomedical or bioinformatics character. It was carried out a statistical comparison of these models with the well known Bagging and Boosting, obtaining significantly superior results with the hierarchical ensemble using Multilayer Perceptron as base classifier and selection to combine the outputs. Therefore, we demonstrated the efficacy of the proposed ensemble, as well as its applicability to general problems.esEste 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 LicenseAprendizaje AutomáticoMulticlasificador JerárquicoClasificaciónProblemas de BioinformáticaWekaBiomedicinaUniversidad Central “Marta Abreu” de las Villas (UCLV)BioinformáticaSistemaInteligencia ArtificialThesis