{"id":{"repo_id":"sevilla","oai_identifier":"oai:idus.us.es:11441/24306"},"canonical_url":"https://search.dev.ndltd.org/etd/sevilla/oai:idus.us.es:11441/24306","repository":{"repo_id":"sevilla","name":"Universidad de Sevilla","base_url":"https://idus.us.es/server/oai/request"},"display":{"title":"Ponderación local evolutiva de la regla kNN","abstract":"En la literatura, existen numerosas técnicas para mejorar el rendimiento de la regla de los k vecinos más cercanos (en ingles, k Nearest Neighbours o kNN). Caben destacar aquellas que se centran en la selección del número de vecinos (parámetro k) y las que establecen unos pesos para el conjunto de características de los ejemplos que conforman los datos a clasificar. En este trabajo, exponemos una propuesta basada en algoritmos evolutivos llamada k-Label Dependent Evolutionary Distance Weighting (kLDEDW) que además de estimar un k óptimo, calcula un conjunto de pesos locales que dependen de cada clase. De esta manera, a partir de un conjunto de datos de entrenamiento, nuestra propuesta es capaz de calcular un valor óptimo de k que se complementa con una transformación local del espacio de características. Para validar nuestro trabajo de forma exhaustiva, se han utilizado tanto datos de benchmarking como reales. Los primeros nos han permitido efectuar rigurosos tests estadísticos contra otras propuestas de la literatura basadas en ponderación local. Con los segundos, hemos podido mostrar el comportamiento de kLDEDW frente a datos masivos y ruidosos.|","abstract_html":"En la literatura, existen numerosas técnicas para mejorar el rendimiento de la regla de los k vecinos más cercanos (en ingles, k Nearest Neighbours o kNN). Caben destacar aquellas que se centran en la selección del número de vecinos (parámetro k) y las que establecen unos pesos para el conjunto de características de los ejemplos que conforman los datos a clasificar. En este trabajo, exponemos una propuesta basada en algoritmos evolutivos llamada k-Label Dependent Evolutionary Distance Weighting (kLDEDW) que además de estimar un k óptimo, calcula un conjunto de pesos locales que dependen de cada clase. De esta manera, a partir de un conjunto de datos de entrenamiento, nuestra propuesta es capaz de calcular un valor óptimo de k que se complementa con una transformación local del espacio de características. Para validar nuestro trabajo de forma exhaustiva, se han utilizado tanto datos de benchmarking como reales. Los primeros nos han permitido efectuar rigurosos tests estadísticos contra otras propuestas de la literatura basadas en ponderación local. Con los segundos, hemos podido mostrar el comportamiento de kLDEDW frente a datos masivos y ruidosos.|","abstract_has_math":false,"creators":["Mateos García, Daniel"],"institution":null,"degree_name":null,"degree_level":null,"degree_discipline":null,"degree_department":null,"school":null,"contributors":[],"advisors":["Riquelme Santos, José Cristóbal"],"committee_chairs":[],"committee_members":[],"year":2013,"date_issued":"2013","date_published":"2013","updated_at":"2026-07-24T04:29:23Z","subjects":[],"languages":["spa"],"rights":["Atribución-NoComercial-SinDerivadas 4.0 España"],"rights_urls":["http://creativecommons.org/licenses/by-nc-nd/4.0/"],"identifier_entries":[]},"links":{"outbound_url":"http://hdl.handle.net/11441/24306","outbound_label":"Handle","outbound_source":"dc:identifier.uri"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:contributor.advisor","label":"Advisor","values":["Riquelme Santos, José Cristóbal"]},{"key":"dc:creator","label":"Author","values":["Mateos García, Daniel"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date.accessioned","label":"Dc Date Accessioned","values":["2015-04-16T09:25:09Z"]},{"key":"dc:date.available","label":"Dc Date Available","values":["2015-04-16T09:25:09Z"]},{"key":"dc:date.issued","label":"Date","values":["2013"]},{"key":"dc:type","label":"Dc Type","values":["doctoral thesis"]}]},{"id":"language_rights","label":"Language and Rights","entries":[{"key":"dc:language.iso","label":"Language (ISO)","values":["spa"]},{"key":"dc:rights","label":"Dc Rights","values":["Atribución-NoComercial-SinDerivadas 4.0 España"]},{"key":"dc:rights.uri","label":"Rights URI","values":["http://creativecommons.org/licenses/by-nc-nd/4.0/"]}]},{"id":"identifiers","label":"Identifiers","entries":[{"key":"dc:identifier.uri","label":"Identifier URI","values":["http://hdl.handle.net/11441/24306"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description.abstract","label":"Abstract","values":["En la literatura, existen numerosas técnicas para mejorar el rendimiento de la regla de los k vecinos más cercanos (en ingles, k Nearest Neighbours o kNN). Caben destacar aquellas que se centran en la selección del número de vecinos (parámetro k) y las que establecen unos pesos para el conjunto de características de los ejemplos que conforman los datos a clasificar. En este trabajo, exponemos una propuesta basada en algoritmos evolutivos llamada k-Label Dependent Evolutionary Distance Weighting (kLDEDW) que además de estimar un k óptimo, calcula un conjunto de pesos locales que dependen de cada clase. De esta manera, a partir de un conjunto de datos de entrenamiento, nuestra propuesta es capaz de calcular un valor óptimo de k que se complementa con una transformación local del espacio de características. Para validar nuestro trabajo de forma exhaustiva, se han utilizado tanto datos de benchmarking como reales. Los primeros nos han permitido efectuar rigurosos tests estadísticos contra otras propuestas de la literatura basadas en ponderación local. Con los segundos, hemos podido mostrar el comportamiento de kLDEDW frente a datos masivos y ruidosos.|"]},{"key":"dc:format","label":"Dc Format","values":["application/pdf"]},{"key":"dc:title","label":"Title","values":["Ponderación local evolutiva de la regla kNN"]}]}],"canonical_facts":{"dc:contributor.advisor":["Riquelme Santos, José Cristóbal"],"dc:creator":["Mateos García, Daniel"],"dc:date.accessioned":["2015-04-16T09:25:09Z"],"dc:date.available":["2015-04-16T09:25:09Z"],"dc:date.issued":["2013"],"dc:description.abstract":["En la literatura, existen numerosas técnicas para mejorar el rendimiento de la regla de los k vecinos más cercanos (en ingles, k Nearest Neighbours o kNN). Caben destacar aquellas que se centran en la selección del número de vecinos (parámetro k) y las que establecen unos pesos para el conjunto de características de los ejemplos que conforman los datos a clasificar. En este trabajo, exponemos una propuesta basada en algoritmos evolutivos llamada k-Label Dependent Evolutionary Distance Weighting (kLDEDW) que además de estimar un k óptimo, calcula un conjunto de pesos locales que dependen de cada clase. De esta manera, a partir de un conjunto de datos de entrenamiento, nuestra propuesta es capaz de calcular un valor óptimo de k que se complementa con una transformación local del espacio de características. Para validar nuestro trabajo de forma exhaustiva, se han utilizado tanto datos de benchmarking como reales. Los primeros nos han permitido efectuar rigurosos tests estadísticos contra otras propuestas de la literatura basadas en ponderación local. Con los segundos, hemos podido mostrar el comportamiento de kLDEDW frente a datos masivos y ruidosos.|"],"dc:format":["application/pdf"],"dc:identifier.uri":["http://hdl.handle.net/11441/24306"],"dc:language.iso":["spa"],"dc:rights":["Atribución-NoComercial-SinDerivadas 4.0 España"],"dc:rights.uri":["http://creativecommons.org/licenses/by-nc-nd/4.0/"],"dc:title":["Ponderación local evolutiva de la regla kNN"],"dc:type":["doctoral thesis"]},"updated_at":"2026-07-24T04:29:23Z"}