Resumen de Clasificación mediante conjuntos
En esta tesis se proponen nuevos métodos de generación de conjuntos de clasificadores y varias heurísticas para la mejora por ordenación y poda de conjuntos generados con bagging, En concreto, las contribuciones realizadas en el trabajo son:
(1)En el presente capítulo se presentan tres nuevos métodos de construcción de conjuntos de clasificadores que se caracterizan por usar sin modificaciones todos los datos de entrenamiento para construir cada uno de los clasificadores del conjunto. El algoritmo base, presentado en Gelfand et al. (S.B. Gelfand, C.S. Ravishankar, y E.J. Delp. An iterative growing and pruning algorithm for classification tree design.IEEE Transactions on Pattern Analysis and Machine Intelligence, 13(2):138--150, 1991) , construye un árbol de decisión de forma iterativa a partir de un conjunto de datos que se divide en dos subconjuntos. En cada iteración, uno de los dos subconjuntos se utiliza para hacer crecer el árbol a partir del árbol de decisión obtenido en la iteración anterior. Una vez que se ha hecho crecer el árbol hasta su tamaño máximo éste se poda usando el otro subconjunto de datos. Los papeles de los subconjuntos se intercambian en cada iteración. Este proceso converge a un árbol final que es estable con respecto a la secuencia de pasos de crecimiento y poda. Para generar una variedad de clasificadores en el conjunto se crean tantas divisiones aleatorias de los ejemplos en dos subconjuntos como árboles se quieran construir. Basándose en este procedimiento hemos propuesto tres nuevos métodos de construcción de conjuntos de clasificadores:
conjunto IGP, boosting IGP y comités IGP. Estos métodos obtienen buenos resultados de clasificación en varias bases de datos estándar con un coste computacional menor que los conjuntos basados en CART.
(2)En este capítulo se presenta un conjunto de clasificadores cuyos miembros son construidos a partir de alteraciones de las etiquetas de clase de
