Resumen

Realizamos un amplio estudio del rendimiento de diferentes enfoques de clasificación en veinticinco conjuntos de datos (catorce conjuntos de datos de imágenes y once conjuntos de datos de minería de datos de la UCI). El objetivo es encontrar conjuntos heterogéneos de propósito general (que requieran poco o ningún ajuste de parámetros) que tengan un rendimiento competitivo en múltiples conjuntos de datos. Los clasificadores del estado del arte examinados en este estudio incluyen la máquina de vectores de soporte, los clasificadores de procesos gaussianos, el subespacio aleatorio de adaboost, el subespacio aleatorio de boosting de rotación y los clasificadores de aprendizaje profundo. Demostramos que un conjunto heterogéneo basado en la simple fusión mediante la regla de la suma de diferentes clasificadores tiene un rendimiento consistente en los veinticinco conjuntos de datos. El resultado más importante de nuestra investigación es la demostración de que algunos enfoques muy recientes, incluido el conjunto heterogéneo que proponemos en este artículo, son capaces de superar a un clasificador SVM (implementado con LibSVM), incluso cuando tanto la selección del núcleo como los parámetros del SVM se ajustan cuidadosamente para cada conjunto de datos.

• Materias:Inteligencia artificial Algoritmos genéticos Ingeniería civil Neurociencia Cognitiva
• Subjects:Artificial intelligence Genetic algorithms Civil engineering Cognitive Neuroscience
• Palabras claves:conjunto heterogéneo, subespacio aleatorio, clasificador de proceso gaussiano, subespacio de rotación, clasificador de aprendizaje profundo, minería de datos uci, máquina de vectores de apoyo, enfoque de clasificación diferente, conjuntos de datos de minería de datos, conjuntos de datos múltiples
• Keywords:heterogeneous ensemble, random subspace, gaussian process classifier, subspace of rotation, deep learning classifier, uci data mining, support vector machine, different classification approach, data mining datasets, multiple datasets