difusas para la combinación de ensembles : una primera aproximación utilizando el rendimiento en conjuntos de datos altamente desequilibrados

Content Provider	Semantic Scholar
Author	Uriz, M. Paternain, Daniel Bustince, Humberto Galar, Marcela
Copyright Year	2018
Abstract	Resumen—En este trabajo estudiamos la posibilidad de aprender medidas difusas basándonos en el rendimiento de los clasificadores para mejorar las funciones de agregación tradicionales utilizadas en los ensembles de clasificadores. Las medidas difusas son funciones çonjunto-valor”, no necesariamente aditivas, y son la base para la construcción de las integrales difusas no lineales, como las integrales de Choquet y de Sugeno.Nuestra hipótesis es que teniendo en cuenta las interacciones entre los miembros del ensemble podemos llegar a un mejor rendimiento. Precisamente, las medidas difusas nos permiten modelar dichas interacciones. Nuestra propuesta consiste en obtener la medida difusa directamente de los datos considerando el rendimiento de cada subconjunto de clasificadores del ensemble. De esta manera, no necesitamos incluir otros métodos de aprendizaje para la medida difusa que nos pueden llevar a un sobre-ajuste. Para verificar la utilidad de la medida propuesta, consideraremos 33 conjuntos de datos altamente desequilibrados y desarrollaremos un estudio experimental completo comparando nuestra propuesta con otros métodos considerados comúnmente en la literatura.
File Format	PDF HTM / HTML
Alternate Webpage(s)	https://sci2s.ugr.es/caepia18/proceedings/docs/CAEPIA2018_paper_96.pdf
Language	English
Access Restriction	Open
Content Type	Text
Resource Type	Article