Uso del metaheurístico GRASP en la construcción de árboles de clasificación

• Autores: Joaquín A. Pacheco Bonrostro, Esteban Alfaro Cortés, Silvia Casado Yusta, Matías Gámez Martínez, Noelia García Rubio
• Localización: Rect@: Revista Electrónica de Comunicaciones y Trabajos de ASEPUMA, ISSN-e 1575-605X, Vol. 11, Nº. 1, 2010, págs. 139-154
• Idioma: español
• Enlaces
  • Texto completo (pdf)
  • Texto completo (pdf)
• Resumen
  • español

    En este trabajo se propone un nuevo método para la construcción de árboles binarios de clasificación. El objetivo es la construcción de árboles sencillos, es decir, con la menor complejidad posible, lo cual hace que sean de fácil interpretación y propicia el equilibrio entre optimización y generalización en los conjuntos test. El método propuesto se basa en la estrategia metaheurística GRASP usada en la literatura en problemas de optimización. El método básicamente modifica la forma de elección del atributo que determina la partición en cada nodo. Para ello incorpora aleatoriedad de forma controlada. A través de una serie de experimentos computacionales se compara nuestro método GRASP con la forma tradicional de seleccionar atributos. Se puede concluir que nuestro método GRASP, con pequeños niveles de aleatoriedad, consigue árboles significativamente menos complejos que los obtenidos con la forma tradicional.

  • English

    This paper proposes a new method for constructing binary classification trees. The aim is to build simple trees, i.e. trees which are as uncomplicate as possible, thereby facilitating interpretation and favouring the balance between optimization and generalization in the test data sets. The proposed method is based on the metaheuristic strategy known as GRASP in conjunction with optimization tasks. Basically, this method modifies the criterion for selecting the attributes that determine the split in each node. In order to do so, a certain amount of randomisation is incorporated in a controlled way. We compare our method with the traditional method by means of a set of computational experiments. We conclude that the GRASP method (for small levels of randomness) significantly reduces tree complexity without decreasing classification accuracy.