Resumen

Las extensas aplicaciones de las máquinas de vectores de soporte (SVM) requieren un método eficiente de construcción de un clasificador SVM con alta capacidad de clasificación. El rendimiento de SVM depende crucialmente de si se pueden obtener de manera eficiente un subconjunto óptimo de características y parámetros de SVM. En este artículo, se utiliza un algoritmo genético paralelo de grano grueso (CGPGA) para optimizar simultáneamente el subconjunto de características y los parámetros para SVM. La topología distribuida y la política de migración de CGPGA pueden ayudar a encontrar de manera significativamente más rápida el subconjunto óptimo de características y parámetros para SVM, con el fin de aumentar la calidad de la solución encontrada. Además, se propone una nueva función de aptitud, que combina la precisión de clasificación obtenida del método de bootstrap, el número de características elegidas y el número de vectores de soporte, para orientar la búsqueda de CGPGA en la dirección del error de generalización óptimo. Los resultados experimentales en 12 conjuntos de datos de referencia

• Materias:Difusión de información Inteligencia de enjambre Programación híbrida Modelo de programación Máquinas virtuales
• Subjects:Information dissemination Swarm intelligence Hybrid programming Programming model Virtual machines
• Palabras claves:Máquinas de vectores de soporte; Clasificador SVM; Subconjunto de características; Optimización de parámetros; Algoritmo genético; Precisión de clasificación
• Keywords:Support vector machines; SVM classifier; Feature subset; Parameter optimization; Genetic algorithm; Classification accuracy