Combinación de clasificadores: construcción de características e incremento de la diversidad

Los multiclasificadores son actualmente un área de interés dentro del Reconocimiento de Patrones. En esta tesis se presentan tres métodos multiclasificadores: "Cascadas para datos nominales", "Disturbing Neighbors" y "Random Feature Weights". Las Cascadas permiten que clasificadores que necesitan entradas numéricas mejoren sus resultados, tomando como entradas adicionales las estimaciones de probabilidad de otro clasificador que sí pueda trabajar con datos nominales. "Disturbing Neighbors" aumenta el conjunto de entrenamiento de cada clasificador base a partir de la salida de un clasificador NN. El NN de cada clasificador base es obtenido de forma aleatoria. Random Feature Weights es un método que utiliza árboles cómo clasificadores base, que modifica la función de mérito de los mismos mediante un peso aleatorio. Además la tesis aporta nuevos diagramas para la visualización de la diversidad de los clasificadores base: Diagramas de Movimiento Kappa-Error y los Diagramas de Movimiento Relativo Kappa-Error

Author dc:creator

• Maudes Raedo, Jesús M.

Advisors dc:contributor.advisor

• Rodríguez Diez, Juan José
• García Osorio, César

• Mineria de Datos
• Aprendizaje Automático
• Multiclasificadores
• Diversidad
• Construcción de Características
• Data Mining
• Machine Learning
• Ensembles
• Diversity
• Feature Construction

Statement dc:rights

• Attribution-NonCommercial-NoDerivs 3.0 Unported

Licence dc:rights.uri

• http://creativecommons.org/licenses/by-nc-nd/3.0/

Language dc:language.iso

spa

DOI

10.36443/10259/146

OAI identifier oai:identifier

oai:riubu.ubu.es:10259/146