Implementación y estudio del rendimiento del clasificador DERS-Boost, para problemas con conjuntos de datos no balanceados

Abstract

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.