Repositorio de producción científica de la Universidad de Sevilla

Heurísticas de selección de atributos para datos de gran dimensionalidad

Opened Access Heurísticas de selección de atributos para datos de gran dimensionalidad
Estadísticas
Icon
Exportar a
Autor: Ruiz Sánchez, Roberto
Director: Riquelme Santos, José Cristóbal
Aguilar Ruiz, Jesús Salvador
Fecha: 2006
Tipo de documento: Tesis Doctoral
Resumen: Esta tesis doctoral se enmarca en el campo del aprendizaje automático y aborda uno de sus principales problemas, como es el identificar un conjunto representativo de atributos para construir un modelo de clasificación. El objetivo de este trabajo es proponer algoritmos de selección de atributos que sean capaces de actuar sobre bases de datos de muy alta dimensión, es de cir, a partir de miles de atributos. Existen en la literatura múltiples propuestas para el problema conocido como feature selection. Sin embargo, la búsqueda de subconjuntos óptimos de atributos para la clasificación de conjuntos de datos presenta el inconveniente de su complejidad temporal. Por ello, la utilización del clasificador final como medida para evaluar la bondad del subconjunto de atributos seleccionado (conocida como evaluación wrapper) está limitada por el tamaño de la base de datos. En las propuestas BIRS (Best Incremental Ranked Subset) y BARS (Best Agglomerative Ranked Subset), desarrolladas en este doc...
[Ver más]

Acceder al texto completo

URI: http://hdl.handle.net/11441/15876

Mostrar el registro completo del ítem


Esta obra está bajo una Licencia Creative Commons Atribución-NoComercial-SinDerivadas 4.0 España

Este registro aparece en las siguientes colecciones