Resumen

El aprendizaje para clasificar ha atraído un interés creciente en la última década, debido a sus amplias aplicaciones en áreas como la recuperación de documentos y el filtrado colaborativo. La selección de características para el aprendizaje para clasificar consiste en seleccionar un pequeño número de características de un conjunto original grande de características que puedan garantizar una alta precisión de clasificación, ya que en muchas aplicaciones reales de clasificación muchas características son redundantes o incluso irrelevantes. Con este fin, en este artículo se propone un algoritmo evolutivo multiobjetivo, denominado MOFSRank, para la selección de características en el aprendizaje para clasificar, que consta de tres componentes. En primer lugar, se sugiere una estrategia de selección de instancias para elegir las instancias informativas del conjunto de entrenamiento de clasificación, mediante la cual se elimina los datos redundantes y se mejora la eficiencia del entrenamiento. Luego, en los subconjuntos de instancias seleccionadas, se desarrolla un algoritmo de selección de características multiobjetivo con una mutación adaptativa, donde se obt

• Materias:Big Data Restricciones distribuidas Algoritmo de inferencia Gestión administrativa
• Subjects:Big Data Distributed constraints Inference algorithm Administrative management
• Palabras claves:Aprendizaje para clasificar; Selección de características; Algoritmo evolutivo multiobjetivo; MOFSRank; Selección de instancias; Estrategia de conjunto
• Keywords:Learning to rank; Feature selection; Multiobjective evolutionary algorithm; MOFSRank; Instance selection; Ensemble strategy