Resumen

La poda de conjuntos es una técnica para aumentar la precisión de los conjuntos y reducir su tamaño mediante la elección de un subconjunto de miembros del conjunto para formar un subconjunto de predicción. Recientemente se han propuesto muchos algoritmos de poda de conjuntos mediante la política de búsqueda dirigida de ascenso de colinas. La clave del éxito de estos algoritmos es construir una medida eficaz para supervisar el proceso de búsqueda. En este trabajo, estudiamos la importancia de los clasificadores individuales con respecto a un conjunto utilizando la teoría de márgenes propuesta por Schapire et al. y obtenemos que la poda de conjuntos mediante la estrategia de escalada dirigida debería centrarse más en los ejemplos con márgenes absolutos pequeños, así como en los clasificadores que clasifican correctamente más ejemplos. Basándonos en este principio, proponemos una nueva medida llamada medida basada en márgenes para evaluar explícitamente la importancia de los clasificadores individuales. Nuestros experimentos muestran que el uso de la medida propuesta para podar un ensemble conduce a resultados de precisión significativamente mejores en comparación con otras medidas del estado del arte.

• Materias:Análisis Matemático Matemáticas Algebra Ingeniería Lógica matemática
• Subjects:Mathematical Analysis mathematics Algebra Engineering Mathematical logic
• Palabras claves:Poda de conjuntos; precisión; reducir tamaño; subconjunto; miembros de conjuntos; subconjuntos; predicción; algoritmos; política de búsqueda de ascenso dirigido; medida; supervisar; proceso de búsqueda; clasificadores individuales; teoría de márgenes; Schapire et al.; medida basada en márgenes; evaluar; importancia; ejemplos; márgenes absolutos pequeños; clasificar correctamente; medida novedosa; experimentos; mejores resultados de precisión; medidas del estado del arte.
• Keywords:Ensemble pruning; accuracy; reduce size; subset; ensemble members; subensemble; prediction; algorithms; directed hill climbing searching policy; measure; supervise; search process; individual classifiers; margin theory; Schapire et al.; margin-based measure; evaluate; importance; examples; small absolute margins; correctly classify; novel measure; experiments; better accuracy results; state-of-the-art measures.