Resumen

La poda de conjuntos se ha aplicado ampliamente para mejorar la capacidad de sistemas de múltiples aprendices. Tanto la diversidad como la precisión en la clasificación de los aprendices se consideran como dos factores clave para lograr un conjunto con una capacidad de clasificación competitiva. Dado que la máquina de aprendizaje extremo (ELM, por sus siglas en inglés) se caracteriza por una excelente tasa de entrenamiento y capacidad de generalización, se emplea como clasificador base. Para un sistema de múltiples ELM, al aumentar la diversidad de sus componentes, la precisión media de todos los miembros debe disminuir. Por lo tanto, un compromiso entre ellos puede asegurar que los ELM mantengan una buena diversidad y alta precisión, pero encontrar el compromiso conlleva una carga computacional pesada. Es difícil buscar el resultado exacto a través de la búsqueda de algoritmos inteligentes o la poda de medidas de diversidad. Por lo tanto, proponemos un enfoque híbrido de poda de conjuntos empleando la optimización de enjambre de luciérnagas

• Materias:Big Data Gestión de riesgos Administración de información Red neuronal Teoría de redes
• Subjects:Big Data Risk management Information management Neural network Network Theory
• Palabras claves:Poda de conjunto; Sistema de múltiples aprendices; Máquina de aprendizaje extremo; Diversidad; Precisión de clasificación; Enfoque de poda de conjunto
• Keywords:Ensemble pruning; Multiple learner system; Extreme learning machine; Diversity; Classification accuracy; Ensemble pruning approach