Resumen

El aprendizaje en conjunto consiste en emplear múltiples clasificadores individuales y combinar sus predicciones, lo que puede lograr un mejor rendimiento que un solo clasificador. Dado que diferentes clasificadores base aportan diferentes contribuciones al resultado final de la clasificación, este artículo asigna mayores pesos a los clasificadores con mejor rendimiento y propone un enfoque de votación ponderada basado en la evolución diferencial. Después de optimizar los pesos de los clasificadores base mediante la evolución diferencial, el método propuesto combina los resultados de cada clasificador de acuerdo con la regla de combinación de votación ponderada. Los resultados experimentales muestran que el método propuesto no solo mejora la precisión de la clasificación, sino que también tiene una fuerte capacidad de generalización y universalidad.

• Materias:Ecuaciones diferenciales Ecuaciones integrales Variables independientes Sistemas dinámicos Combinaciones convexas
• Subjects:Differential equations Integral equations Independent variables Dynamic systems Convex combinations
• Palabras claves:Aprendizaje en conjunto; Múltiples clasificadores; Predicciones; Enfoque de votación ponderada; Evolución diferencial; Precisión de clasificación
• Keywords:Ensemble learning; Multiple classifiers; Predictions; Weighted voting approach; Differential evolution; Classification accuracy