Clasificadores y multiclasificadores con cambio de concepto basados en árboles de decisión

• Autores: Isvani Frías Blanco, Agustín Ortiz Díaz, Gonzalo Ramos Jimenez, Rafael Morales Bueno, Yailé Caballero Mota
• Localización: Inteligencia artificial: Revista Iberoamericana de Inteligencia Artificial, ISSN-e 1988-3064, ISSN 1137-3601, Vol. 14, Nº. 45, 2010, págs. 32-43
• Idioma: español
• Enlaces
  • Texto completo
• Resumen
  • español

    En un gran numero de problemas los datos proceden de entornos dinamicos y son adquiridos a lo largo del tiempo, lo que obliga a procesarlos de forma secuencial. Frecuentemente, se producen cambios que provocan que el modelo construido con datos anteriores sea inconsistente con los datos actuales y sea necesaria una actualizacion del mismo. Este problema, conocido por cambio de concepto complica la tarea del aprendizaje para la construccion de un modelo. En este trabajo se realiza una revision de las tecnicas existentes de aprendizaje con cambio de concepto centrandose fundamentalmente en arboles de decision, considerando diferentes tipos de cambio y peculiaridades del problema.

  • English

    In a large number of problems the data comes from dynamic environments and are acquired over time, which requires processing sequence. Often, changes occur that cause the model built with previous data inconsistent with current data and an update is needed it. This problem, known as concept drift complicates the task of learning to build a model. In this paper we review existing techniques for learning with concept drift focusing primarily on decision trees, considering different types of change and peculiarities of the problem.