Integración del operador de alteración a metaheurísticas evolutivas para la aplicación de la teoría de testores en patologías médicas

• Alexis Edmundo Gallegos-Acosta ^[1] ; Dolores Torres-Soto ^[1] ; Francisco Álvarez-Rodríguez ^[1] ; Aurora Torres-Soto ^[1]
  1. [1] Universidad Autónoma de Aguascalientes

     Universidad Autónoma de Aguascalientes

     México

     
• Localización: DYNA new technologies, ISSN-e 2386-8406, Vol. 6, Nº. 1, 2019
• Idioma: español
• Títulos paralelos:
  • Integration of the alteration operator to evolutionary metaheuristics for the application of the testor theory in medical pathologies
• Texto completo no disponible (Saber más ...)
• Resumen
  • español

    El presente artículo presenta el diseño e integración del “operador de alteración” a metaheurísticas evolutivas (AG y EDA), con el objetivo es la búsqueda de testores típicos para la selección de características a datos médicos. Este operador funciona como soporte en la exploración del espacio de soluciones evitando la búsqueda aleatoria. Las metaheurísticas hibridadas encuentran los testores típicos asociados a los datos analizados que son subconjuntos irreducibles capaces de realizar clasificación. Para interpretar los testores típicos encontrados se cálculo el peso informacional para determinar el impacto de cada característica en el proceso de clasificación. Finalmente, se presenta la afinación y contrastación de metaheurísticas para encontrar los mejores valores de parámetros que mejoran su desempeño y determinar la metaheurística más adecuada para cada patología.

  • English

    This paper presents the design and integration of the “alteration operator” to evolutive metaheuristics (GA and EDA). The aim is searching typical testors for feature selection in medical data. This operator avoids the aleatory search working as a support of the exploration of the solutions space. The hybrid metaheuristics found the typical testors associated to the analyzed data which are irreducible subsets that allow to classify new instances. The informational weight was used to know the impact of each feature in the classification process. Finally, the tuning and contrasting of metaheuristics is presented in order to find the best parameter values that improve their performance and determine the most appropriate metaheuristics for each pathology.