Una forma de hacer que el conocimiento almacenado en una red neuronal artificial sea más comprensible es extraer reglas simbólicas. Sin embargo, producir reglas a partir de Perceptrones Multicapa (MLPs) es un problema NP-duro. Se han introducido muchas técnicas para generar reglas a partir de redes neuronales individuales, pero muy pocas fueron propuestas para conjuntos. Además, rara vez se evaluaron los experimentos mediante pruebas de validación cruzada de 10 pliegues. En este trabajo, basado en el Perceptrón Multicapa Interpretativo Discretizado (DIMLP), se realizaron experimentos en 10 repeticiones de pruebas de validación cruzada estratificadas de 10 pliegues sobre 25 problemas de clasificación binaria. La arquitectura DIMLP nos permitió producir reglas a partir de conjuntos DIMLP, árboles poco profundos potenciados (BSTs) y Máquinas de Vectores de Soporte (SVM). La complejidad de los conjuntos de reglas se midió con el número promedio de reglas generadas y el número
Esta es una versión de prueba de citación de documentos de la Biblioteca Virtual Pro. Puede contener errores. Lo invitamos a consultar los manuales de citación de las respectivas fuentes.
Artículo:
Arquitectura de 2 capas del planificador de colas multinivel basado en lógica vaga.
Artículo:
Sistema de asistencia consciente de las emociones para el cuidado humanístico basado en el concepto de computación naranja.
Artículo:
Diseño de un controlador PID para un rodamiento magnético linealizado
Artículo:
Estudio experimental de la turbina hidráulica Darrieus-Savonius con deflector: Efecto del deflector en el rendimiento
Artículo:
Evaluación del potencial de la energía eólica como fuente de generación eléctrica en Chad
Artículo:
Creación de empresas y estrategia : reflexiones desde el enfoque de recursos
Artículo:
Los web services como herramienta generadora de valor en las organizaciones
Artículo:
La gestión de las relaciones con los clientes como característica de la alta rentabilidad empresarial
Libro:
Ergonomía en los sistemas de trabajo