RUO Principal

Repositorio Institucional de la Universidad de Oviedo

Ver ítem 
  •   RUO Principal
  • Producción Bibliográfica de UniOvi: RECOPILA
  • Tesis
  • Ver ítem
  •   RUO Principal
  • Producción Bibliográfica de UniOvi: RECOPILA
  • Tesis
  • Ver ítem
    • español
    • English
JavaScript is disabled for your browser. Some features of this site may not work without it.

Listar

Todo RUOComunidades y ColeccionesPor fecha de publicaciónAutoresTítulosMateriasxmlui.ArtifactBrowser.Navigation.browse_issnPerfil de autorEsta colecciónPor fecha de publicaciónAutoresTítulosMateriasxmlui.ArtifactBrowser.Navigation.browse_issn

Mi cuenta

AccederRegistro

Estadísticas

Ver Estadísticas de uso

AÑADIDO RECIENTEMENTE

Novedades
Repositorio
Cómo publicar
Recursos
FAQs
Las tesis leídas en la Universidad de Oviedo se pueden consultar en el Campus de El Milán previa solicitud por correo electrónico: buotesis@uniovi.es

Algoritmos para el tratamiento de reglas aprendidas a partir de ejemplos

Autor(es) y otros:
Alguero García, Alfredo SantiagoAutoridad Uniovi
Director(es):
Bahamonde Rionda, AntonioAutoridad Uniovi
Centro/Departamento/Otros:
Matemáticas, Departamento deAutoridad Uniovi
Fecha de publicación:
1997
Descripción física:
132 p.
Resumen:

Dado un conjunto de reglas aprendidas a partir de una familia de ejemplos de entrenamiento, en esta tesis se plantea un problema de selección de acuerdo con un criterio de coste. El objetivo es obtener una lista ordenada de reglas en la que no aparecerán algunas de las reglas originales si el papel que desempeñan en la tarea de clasificación puede ser suplido por las otras. Además, se busca un orden para ellas con el que el trabajo de clasificación deseado se realice con la mínima cantidad de recursos en el sentido de los costes dados de antemano. Uno de los principales objetivos de este trabajo es verificar que el problema de ordenación y selección de reglas descrito es esencialmente el mismo que el problema de seleccionar las condiciones o antecedentes que se colocarían en el cuerpo de la regla dada. En realidad ambos problemas son duales, lo que significa que con el mismo algoritmo se pueden resolver los dos. Conforme a esto, también se seleccionan los pares atributo-valor en una regla de clasificación aprendida con la intención de evitar aquellos innecesarios o caros. Una vez que se consiguen seleccionar los antecedentes de la regla y las reglas de una familia para mejorar su rendimiento es posible comenzar desde muy al principio: desde el conjunto de ejemplos de entrenamiento. Así, cada ejemplo se observa como una regla borrador capaz de ser refinada si se eligen los mejores pares atributo-valor de su descripción para convertirla, de esta forma, en una regla razonable. El conjunto de reglas obtenido se optimiza finalmente con nuestro primer algoritmo para elegir un conjunto económico de reglas aprendidas a partir del conjunto de entrenamiento. Esta herramienta de aprendizaje se explica detalladamente y sus resultados se comparan con los de otros algoritmos de aprendizaje automático.

Dado un conjunto de reglas aprendidas a partir de una familia de ejemplos de entrenamiento, en esta tesis se plantea un problema de selección de acuerdo con un criterio de coste. El objetivo es obtener una lista ordenada de reglas en la que no aparecerán algunas de las reglas originales si el papel que desempeñan en la tarea de clasificación puede ser suplido por las otras. Además, se busca un orden para ellas con el que el trabajo de clasificación deseado se realice con la mínima cantidad de recursos en el sentido de los costes dados de antemano. Uno de los principales objetivos de este trabajo es verificar que el problema de ordenación y selección de reglas descrito es esencialmente el mismo que el problema de seleccionar las condiciones o antecedentes que se colocarían en el cuerpo de la regla dada. En realidad ambos problemas son duales, lo que significa que con el mismo algoritmo se pueden resolver los dos. Conforme a esto, también se seleccionan los pares atributo-valor en una regla de clasificación aprendida con la intención de evitar aquellos innecesarios o caros. Una vez que se consiguen seleccionar los antecedentes de la regla y las reglas de una familia para mejorar su rendimiento es posible comenzar desde muy al principio: desde el conjunto de ejemplos de entrenamiento. Así, cada ejemplo se observa como una regla borrador capaz de ser refinada si se eligen los mejores pares atributo-valor de su descripción para convertirla, de esta forma, en una regla razonable. El conjunto de reglas obtenido se optimiza finalmente con nuestro primer algoritmo para elegir un conjunto económico de reglas aprendidas a partir del conjunto de entrenamiento. Esta herramienta de aprendizaje se explica detalladamente y sus resultados se comparan con los de otros algoritmos de aprendizaje automático.

URI:
http://hdl.handle.net/10651/13641
Otros identificadores:
https://www.educacion.gob.es/teseo/mostrarRef.do?ref=180225
Notas Locales:

Tesis 1996-015

Colecciones
  • Tesis [7677]
Ficheros en el ítem
Compartir
Exportar a Mendeley
Estadísticas de uso
Estadísticas de uso
Metadatos
Mostrar el registro completo del ítem
Página principal Uniovi

Biblioteca

Contacto

Facebook Universidad de OviedoTwitter Universidad de Oviedo
El contenido del Repositorio, a menos que se indique lo contrario, está protegido con una licencia Creative Commons: Attribution-NonCommercial-NoDerivatives 4.0 Internacional
Creative Commons Image