Resumen

Aprender los patrones latentes de los datos históricos de una manera eficiente para modelar el comportamiento de un sistema es una necesidad importante para tomar decisiones correctas. Para ello, las soluciones de aprendizaje automático ya han empezado a despuntar en el sector del transporte y en muchas áreas como el marketing, las finanzas, la educación y la sanidad. Sin embargo, muchos algoritmos de clasificación de la literatura asumen que los valores de los atributos objetivo en los conjuntos de datos no están ordenados, por lo que pierden el orden inherente entre los valores de clase. Para superar este problema, este estudio propone un nuevo enfoque de clasificación ordinal basada en conjuntos (EBOC) que sugiere los métodos bagging y boosting (algoritmo AdaBoost) como solución para el problema de clasificación ordinal en el sector del transporte. Este artículo también compara el enfoque EBOC propuesto con el clasificador de clases ordinales y los algoritmos de clasificación tradicionales basados en árboles (es decir, árbol de decisión C4.5, RandomTree y REPTree) en términos de precisión. Los resultados indican que el enfoque EBOC propuesto consigue mejores resultados de clasificación que las soluciones convencionales.

• Materias:Infraestructura de transportes Ingeniería del transporte Seguridad del transporte Planificación de ruta Capacidad de tráfico
• Subjects:Transport infrastructure Transport engineering Transport safety Path planning Traffic capacity
• Palabras claves:enfoque eboc, árbol de decisión c4.5, mejor rendimiento de clasificación, muchos algoritmos de clasificación, clasificador de clase ordinal, problema de clasificación ordinal, solución, algoritmo adaboost, valores de clase, algoritmos de clasificación
• Keywords:eboc approach, c4.5 decision tree, better classification performance, many classification algorithms, ordinal class classifier, ordinal classification problem, solution, adaboost algorithm, class values, classification algorithms