2026-08-26T06:27:08Zhttps://riubu.ubu.es/oai/request

oai:riubu.ubu.es:10259/1462022-04-26T11:42:12Zcom_10259_2699col_10259_2723

Maudes Raedo, Jesús M. 2011-02-03T11:58:23Z 2011-02-03T11:58:23Z 2010 http://hdl.handle.net/10259/146 10.36443/10259/146 Los multiclasificadores son actualmente un área de interés dentro del Reconocimiento de Patrones. En esta tesis se presentan tres métodos multiclasificadores: "Cascadas para datos nominales", "Disturbing Neighbors" y "Random Feature Weights". Las Cascadas permiten que clasificadores que necesitan entradas numéricas mejoren sus resultados, tomando como entradas adicionales las estimaciones de probabilidad de otro clasificador que sí pueda trabajar con datos nominales. "Disturbing Neighbors" aumenta el conjunto de entrenamiento de cada clasificador base a partir de la salida de un clasificador NN. El NN de cada clasificador base es obtenido de forma aleatoria. Random Feature Weights es un método que utiliza árboles cómo clasificadores base, que modifica la función de mérito de los mismos mediante un peso aleatorio. Además la tesis aporta nuevos diagramas para la visualización de la diversidad de los clasificadores base: Diagramas de Movimiento Kappa-Error y los Diagramas de Movimiento Relativo Kappa-Error spa http://creativecommons.org/licenses/by-nc-nd/3.0/ Este documento está sujeto a una licencia de uso Creative Commons, por la cual está permitido hacer copia, distribuir y comunicar públicamente la obra siempre que se cite al autor original y no se haga de él uso comercial ni obra derivada info:eu-repo/semantics/openAccess Attribution-NonCommercial-NoDerivs 3.0 Unported Mineria de Datos Aprendizaje Automático Multiclasificadores Diversidad Construcción de Características Data Mining Machine Learning Ensembles Diversity Feature Construction Combinación de clasificadores: construcción de características e incremento de la diversidad info:eu-repo/semantics/doctoralThesis