Resumen

En los últimos años, los métodos de clasificación por conjuntos han sido ampliamente investigados tanto en la industria como en la literatura en el campo del aprendizaje automático y la inteligencia artificial. La principal ventaja de este enfoque es beneficiarse de un conjunto de clasificadores en lugar de utilizar un único clasificador con el objetivo de mejorar el rendimiento de la predicción, como la precisión. La selección de los clasificadores base y el método para combinarlos son las cuestiones más difíciles en los clasificadores de conjunto. En este artículo, proponemos un clasificador dinámico heterogéneo (HDEC) que utiliza múltiples algoritmos de clasificación. La principal ventaja de utilizar algoritmos heterogéneos es aumentar la diversidad entre los clasificadores base, ya que es un punto clave para que un sistema de conjunto tenga éxito. En este método, primero se entrenan muchos clasificadores con los datos originales. A continuación, se separan en función de su fuerza para reconocer instancias positivas o negativas. Para ello, consideramos la tasa de verdaderos positivos y la tasa de verdaderos negativos, respectivamente. En el siguiente paso, los clasificadores se clasifican en dos grupos según su eficacia en las medidas mencionadas. Por último, los resultados de los dos grupos se comparan entre sí para generar la predicción final. Para evaluar el enfoque propuesto, se ha aplicado a 12 conjuntos de datos de los repositorios UCI y LIBSVM y se han calculado dos métricas populares de rendimiento de predicción, incluyendo la precisión y la media geométrica. Los resultados experimentales muestran la superioridad del enfoque propuesto en comparación con otros métodos del estado del arte.

• Materias:Minería de datos Algoritmos genéticos Cerebro - fisiopatología Neurociencia Cognitiva Neurofisiología
• Subjects:Data mining Genetic algorithms Brain - pathophysiology Cognitive Neuroscience Neurophysiology
• Palabras claves:ventaja principal, clasificador base, enfoque propuesto, tasa de verdaderos positivos, conjunto de clasificadores, clasificador conjunto dinámico, métodos de clasificación conjunto, algoritmo de clasificación múltiple, tasa de verdaderos negativos, campo de la máquina
• Keywords:main advantage, base classifier, proposed approach, true positive rate, set of classifier, dynamic ensemble classifier, ensemble classification methods, multiple classification algorithm, true negative rate, field of machine