Opened Access Ponderación local evolutiva de la regla kNN
Estadísticas
Icon
Exportar a
Autor: Mateos García, Daniel
Director: Riquelme Santos, José Cristóbal
Departamento: Universidad de Sevilla. Departamento de Lenguajes y Sistemas Informáticos
Fecha: 2013
Tipo de documento: Tesis Doctoral
Resumen: 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 contr...
[Ver más]

Acceder al texto completo

URI: http://hdl.handle.net/11441/24306

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