Resumen

Rotation Forest es un enfoque de aprendizaje de conjunto que logra un mejor rendimiento en comparación con Bagging y Boosting a través de la construcción de clasificadores precisos y diversos utilizando el espacio de características rotadas. Sin embargo, al igual que otros clasificadores convencionales, el Rotation Forest no funciona bien en los datos desequilibrados que se caracterizan por tener muchos menos ejemplos de una clase (clase minoritaria) que de la otra (clase mayoritaria), y el coste de clasificar erróneamente los ejemplos de la clase minoritaria suele ser mucho más caro que los casos contrarios. Este trabajo propone un método novedoso denominado Embedding Undersampling Rotation Forest (EURF) para tratar este problema (1) muestreando subconjuntos de la clase mayoritaria y aprendiendo una matriz de proyección a partir de cada subconjunto y (2) obteniendo conjuntos de entrenamiento proyectando subconjuntos remuestreados del conjunto de datos original a nuevos espacios definidos por las matrices y construyendo un clasificador individual a partir de cada conjunto de entrenamiento. En el primer método, el submuestreo sirve para forzar a la matriz de rotación a capturar mejor las características de la clase minoritaria sin perjudicar la diversidad entre los clasificadores individuales. En cuanto al segundo método, la técnica de submuestreo pretende mejorar el rendimiento de los clasificadores individuales en la clase minoritaria. Los resultados experimentales muestran que EURF consigue un rendimiento significativamente mejor en comparación con otros métodos del estado de la técnica.

• Materias:Biotecnología Minería de datos Algoritmos genéticos Cerebro - fisiopatología Neurofisiología
• Subjects:Biotechnology Data mining Genetic algorithms Brain - pathophysiology Neurophysiology
• Palabras claves:clasificador individual, clase minoritaria, mejor rendimiento, clase mayoritaria, bosque de rotación, espacio de características rotadas, llamado submuestreo de incrustación, enfoque de aprendizaje conjunto, rotación de submuestreo de incrustación, bosque de rotación de submuestreo
• Keywords:individual classifier, minority class, better performance, majority class, rotation forest, rotated features space, called embedding undersampling, ensemble learning approach, embedding undersampling rotation, undersampling rotation forest