Resumen de Nuevos algoritmos basados en grafos y clustering para el tratamiento de complejidades de los datos
La distribución no balanceada de los datos entre las clases, así como la presencia de ruido y el traslape de clases, son complejidades de los datos que a menudo interfieren en el rendimiento de clasificadores. Para afrontar estos problemas, la presente tesis presenta una serie de propuestas basadas en algoritmos de clustering para la eliminación de instancias de la clase mayoritaria consideradas como ruido, así como en técnicas de la teoría de grafos para balancear la distribución de clases. Los resultados experimentales muestran una mejora en el rendimiento de los modelos de aprendizaje aquí propuestos en comparación con diversos algoritmos del estado del arte.
