Resumen

La clasificación de características como una subcategoría de la selección de características es una técnica de preprocesamiento esencial que clasifica todas las características de un conjunto de datos de manera que muchas características importantes denoten mucha información. El aprendizaje en conjunto tiene dos ventajas. Primero, se ha basado en la suposición de que combinar las salidas de diferentes modelos puede llevar a un resultado mejor que la salida de cualquier modelo individual. Segundo, la escalabilidad es una característica intrínseca que es tan crucial para hacer frente a un conjunto de datos a gran escala. En este documento, se considera un algoritmo de clasificación de características de conjunto homogéneo, y se analizan comparativamente los nueve métodos de fusión de clasificación utilizados en este algoritmo. Se realizan estudios experimentales en seis conjuntos de datos medianos reales, y se evalúa el área bajo el criterio de la curva de adición de características. Finalmente, el análisis estadístico mediante un análisis de varianza de medidas repetidas revela que no hay una gran diferencia en el rendimiento de los métodos de fus

• Materias:Big Data Segmentación de líneas Tráfico de red Reconocimiento de entidad Esquema de programación
• Subjects:Big Data Line segmentation Network traffic Entity recognition Programming scheme
• Palabras claves:Ranking de características; Selección de características; Aprendizaje en conjunto; Técnica de preprocesamiento; Escalabilidad; Conjunto homogéneo;
• Keywords:Feature ranking; Feature selection; Ensemble learning; Preprocessing technique; Scalability; Homogeneous ensemble;