Resumen

La selección de características (FS) es una tarea fundamental para problemas de clasificación de texto. La selección de características de texto tiene como objetivo representar documentos utilizando las características más relevantes. Este proceso puede reducir el tamaño de los conjuntos de datos y mejorar el rendimiento de los algoritmos de aprendizaje automático. Muchos investigadores se han centrado en elaborar técnicas de FS eficientes. Sin embargo, la mayoría de los enfoques propuestos se evalúan para conjuntos de datos pequeños y se validan utilizando máquinas individuales. A medida que la dimensionalidad de los datos textuales aumenta, los métodos tradicionales de FS deben mejorarse y paralelizarse para manejar grandes datos textuales. Este artículo propone un enfoque distribuido para la selección de características basado en el método de información mutua (MI), que se aplica ampliamente en el reconocimiento de patrones y el aprendizaje automático. Una desventaja de MI es que ignora la frecuencia de los términos durante la selección de características. La propuesta introduce un método de FS distribuido, a saber, Máxima Frec

• Materias:Colonias de abejas artificiales Inteligencia artificial Patrón espacial Innovación de la comunicación Algoritmo de red neuronal
• Subjects:Artificial bee colonies Artificial intelligence Spatial pattern Communication innovation Neural network algorithm
• Palabras claves:Selección de características; Clasificación de texto; Algoritmos de aprendizaje automático; Enfoque distribuido; Información mutua; Frecuencia de término
• Keywords:Feature selection; Text classification; Machine learning algorithms; Distributed approach; Mutual information; Term frequency