Resumen

La reducción al mínimo del coste del atributo de prueba es un problema importante en el aprendizaje sensible al coste. Recientemente, se han diseñado algoritmos heurísticos para este problema, incluyendo el algoritmo basado en la ganancia de información y el algoritmo genético. Sin embargo, en muchos casos estos algoritmos no pueden encontrar la solución óptima. En este artículo, desarrollamos un algoritmo de optimización de colonias de hormigas para abordar este problema. El conjunto de atributos se representa como un grafo en el que cada vértice corresponde a un atributo y el peso de cada arista a la feromona. Nuestro algoritmo consta de tres etapas, a saber, la etapa de adición, la etapa de eliminación y la etapa de filtración. En la etapa de adición, cada hormiga parte de la posición inicial y recorre las aristas de forma probabilística hasta que se cumple el criterio de parada. En este proceso también se actualiza la feromona del camino recorrido. En la etapa de borrado, cada hormiga elimina los atributos redundantes. Se proponen dos estrategias, denominadas estrategia de borrado centralizada y estrategia de borrado distribuida. Por último, se selecciona la hormiga con un coste de prueba mínimo para construir el reducto en la etapa de filtrado. Los resultados experimentales sobre conjuntos de datos de la UCI indican que el algoritmo es significativamente mejor que el basado en la ganancia de información. También supera al algoritmo genético en el conjunto de datos de tamaño medio Mushroom.

• Materias:Matemáticas Análisis Matemático Álgebra Ingeniería Matemática aplicada Lógica matemática
• Subjects:mathematics Mathematical Analysis Algebra Engineering Applied Mathematics Mathematical logic
• Palabras claves:algoritmo, hormiga, etapa de adición, etapa de supresión, etapa de filtración, algoritmo genético, ganancia de información, reducción mínima de atributos del coste de las pruebas, algoritmo de optimización de colonias de hormigas, estrategia de supresión centralizada
• Keywords:algorithm, ant, addition stage, deletion stage, filtration stage, genetic algorithm, information gain, minimal test cost attribute reduction, ant colony optimization algorithm, centralized deletion strategy