Implementación y estudio del rendimiento del clasificador DERS-Boost, para problemas con conjuntos de datos no balanceados
Fecha
2020Autor
Director
Versión
Acceso abierto / Sarbide irekia
Tipo
Trabajo Fin de Grado/Gradu Amaierako Lana
Impacto
|
nodoi-noplumx
|
Resumen
El objetivo de este trabajo es implementar, estudiar y comparar frente a otros métodos de
aprendizaje automático ya conocidos, el rendimiento de DERS-Boost (Differential Evolutionary
Resampling Boosting). DERS-Boost es una nueva propuesta frente a problemas de clasificación con
conjuntos de datos no balanceados, que integra técnicas de re-muestreo guiadas por algoritmos de
computación evoluti ...
[++]
El objetivo de este trabajo es implementar, estudiar y comparar frente a otros métodos de
aprendizaje automático ya conocidos, el rendimiento de DERS-Boost (Differential Evolutionary
Resampling Boosting). DERS-Boost es una nueva propuesta frente a problemas de clasificación con
conjuntos de datos no balanceados, que integra técnicas de re-muestreo guiadas por algoritmos de
computación evolutiva diferencial. Esta memoria describe las bases teóricas y el funcionamiento del
nuevo algoritmo de aprendizaje, y se exponen los experimentos llevados a cabo, teniendo en cuenta
una distinta variedad de datasets, y comparando los resultados del rendimiento en cuanto a precisión
y tiempo de ejecución entre DERS-Boost y una selección de métodos ya conocidos para afrontar los
problemas de clasificación no balanceados. [--]
Materias
Clasificación,
Problemas no balanceados,
Re-muestreo,
Ensemble learning,
Boosting,
Evolución diferencial,
Clustering
Titulación
Graduado o Graduada en Ingeniería Informática por la Universidad Pública de Navarra /
Informatika Ingeniaritzako Graduatua Nafarroako Unibertsitate Publikoan