Opened Access Aprendizaje supervisado mediante random forests
Estadísticas
Icon
Exportar a
Autor: Molero del Río, María Cristina
Director: Blanquero Bravo, Rafael
Carrizosa Priego, Emilio José
Departamento: Universidad de Sevilla. Departamento de Estadística e Investigación Operativa
Fecha: 2017-06
Tipo de documento: Trabajo Fin de Master
Titulación: Universidad de Sevilla. Máster Universitario en Matemáticas
Resumen: Muchos problemas de la vida real pueden modelarse como problemas de clasificación, tales como la detección temprana de enfermedades o la concesión de crédito a un cierto individuo. La Clasificación Supervisada se encarga de este tipo de problemas: aprende de una muestra con el objetivo final de inferir observaciones futuras. Hoy en día, existe una amplia gama de técnicas de Clasificación Supervisada. En este trabajo nos centramos en los bosques aleatorios (Random Forests). El Random Forests es una técnica de clasificación que consiste en construir una colección de árboles de decisión individuales sobre los cuales se aplica aleatoriedad de cierta manera. Es conocido que esta técnica proporciona un buen rendimiento, incluso cuando trata con problemas de gran escala como los que se tienen en la actualidad. Sin embargo, existe una pequeña brecha entre la teoría relacionada con esta técnica y la experiencia empírica de la misma. El Random Forests también es útil en otros campos del Aprendi...
[Ver más]
Tamaño: 1.056Mb
Formato: PDF

URI: http://hdl.handle.net/11441/63236

Mostrar el registro completo del ítem


Esta obra está bajo una Licencia Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 Internacional

Este registro aparece en las siguientes colecciones