Resumen

La clasificación de datos médicos es un problema principal de minería de datos que se ha discutido durante una década y ha atraído a varios investigadores de todo el mundo. La mayoría de los clasificadores están diseñados para aprender de los propios datos mediante un proceso de entrenamiento, ya que es impracticable contar con un conocimiento experto completo para determinar los parámetros del clasificador. Este artículo propone una metodología híbrida basada en el paradigma del aprendizaje automático. Este paradigma integra el exitoso mecanismo de exploración llamado capacidad de aprendizaje autorregulado del algoritmo de optimización de enjambre de partículas (PSO) con el clasificador de máquina de aprendizaje extremo (ELM). Como un método de aprendizaje fuera de línea reciente, ELM es una red neuronal de alimentación hacia adelante de una sola capa oculta (FFNN), demostrada como un excelente clasificador con un gran número de neuronas en la capa oculta. En esta investigación, se utiliza PSO para determinar el conjunto óptimo de parámetros para el ELM

• Materias:Internet de las cosas Inteligencia artificial Contaminantes atmosféricos Sistema biométrico Aplicaciones
• Subjects:Internet of things Artificial intelligence Air pollutants Biometric system Applications
• Palabras claves:Clasificación de datos médicos; Problema de minería de datos; Paradigma de aprendizaje automático; Optimización de enjambre de partículas; Máquina de aprendizaje extremo; Repositorio de Aprendizaje Automático de la UCI
• Keywords:Medical data classification; Data mining problem; Machine learning paradigm; Particle swarm optimization; Extreme learning machine; UCI Machine Learning Repository