Resumen

Inspirados en el proceso de toma de decisiones en grupo, los conjuntos o combinaciones de clasificadores han resultado favorables en una gran variedad de dominios de aplicación. Algunos investigadores proponen utilizar la mezcla de dos tipos diferentes de algoritmos de clasificación para crear un conjunto híbrido. ¿Por qué funciona un conjunto de este tipo? La pregunta sigue en pie. Siguiendo el concepto de diversidad, que es uno de los elementos fundamentales del éxito de los conjuntos, realizamos un análisis teórico de por qué funcionan los conjuntos híbridos, relacionando el uso de diferentes algoritmos con la ganancia de precisión. También llevamos a cabo experimentos sobre el rendimiento de clasificación de conjuntos híbridos de clasificadores creados por algoritmos de clasificación de árboles de decisión y Bayes ingenuo, cada uno de los cuales es un algoritmo de minería de datos de primer orden y a menudo utilizado para crear conjuntos no híbridos. Por lo tanto, a través de este artículo, proporcionamos un complemento a la base teórica de la creación y el uso de conjuntos híbridos.

• Materias:Algoritmos genéticos Cerebro - fisiopatología Neurociencia Cognitiva Fisiología vegetal
• Subjects:Genetic algorithms Brain - pathophysiology Cognitive Neuroscience Plant physiology
• Palabras claves:conjunto híbrido, conjunto de clasificadores, éxito del conjunto, algoritmo de minería de datos, variedad de aplicaciones, tipo de clasificación, clasificación naïve bayes, combinación de clasificadores, concepto de diversidad, algoritmo de clasificación bayes
• Keywords:hybrid ensemble, ensemble of classifier, success of ensemble, data mining algorithm, variety of application, type of classification, naïve bayes classification, combination of classifier, concept of diversity, bayes classification algorithm