Resumen

La fusión de decisiones de clasificadores puede mejorar el rendimiento de un sistema de reconocimiento de patrones. Muchas áreas de aplicación han adoptado los métodos de fusión de múltiples clasificadores para aumentar la precisión de clasificación en el proceso de reconocimiento. Considerando completamente las diferencias de rendimiento de los clasificadores y la información de las muestras de entrenamiento, en este artículo se propone un algoritmo de fusión de múltiples clasificadores que utiliza plantillas de decisión ponderadas. El algoritmo utiliza un vector estadístico para medir el rendimiento de los clasificadores y realiza una transformación ponderada en cada clasificador según la confiabilidad de su salida. Para tomar una decisión, se utiliza la regla de "k-vecinos más cercanos" si el algoritmo evalúa que una muestra tiene una alta probabilidad de ser clasificada incorrectamente. Se realizó una comparación experimental con 15 conjuntos de datos de las bases de datos KDD99, UCI y ELENA. Los resultados experimentales indican que el algoritmo puede lograr un mejor rendimiento de clasificación. Posterior

• Materias:Difusión de información Inteligencia de enjambre Programación híbrida Modelo de programación Máquinas virtuales
• Subjects:Information dissemination Swarm intelligence Hybrid programming Programming model Virtual machines
• Palabras claves:Clasificadores; Fusión; Rendimiento; Algoritmo; Clasificación; Entrenamiento
• Keywords:Classifiers; Fusion; Performance; Algorithm; Classification; Training