Resumen

Como uno de los algoritmos de minería de funciones más efectivos, el algoritmo de Programación de Expresión Génica (GEP) ha sido ampliamente utilizado en clasificación, reconocimiento de patrones, predicción y otros campos de investigación. Basado en la autoevolución, GEP es capaz de extraer una función óptima para hacer frente a tareas aún más complicadas. Sin embargo, en investigaciones de big data, GEP se enfrenta a problemas de baja eficiencia debido a sus largos procesos de extracción. Para mejorar la eficiencia de GEP en investigaciones de big data, especialmente para procesar tareas de clasificación a gran escala, este artículo presenta un algoritmo de GEP paralelizado utilizando el modelo de computación MapReduce. Los resultados experimentales muestran que el algoritmo presentado es escalable y eficiente para procesar tareas de clasificación a gran escala.

• Materias:Calibración geométrica Núcleos computacionales Consultas de palabras clave Pronóstico probabilístico Máquina de aprendizaje
• Subjects:Geometric calibration Computational kernels Keyword queries Probabilistic forecasting Machine learning
• Palabras claves:Programación de expresión génica; Algoritmo; Clasificación; Eficiencia; Grandes datos; Paralelizado.
• Keywords:Gene expression programming; Algorithm; Classification; Efficiency; Big data; Parallelized.