| Revista: | Avances en sistemas e informática |
| Base de datos: | PERIÓDICA |
| Número de sistema: | 000349498 |
| ISSN: | 1657-7663 |
| Autores: | Cárdenas, Beitmantt1 Caballero, Yailé2 Bello, Rafael2 |
| Instituciones: | 1Universidad Pedagógica y Tecnológica de Colombia, Grupo de Investigación GTecniIA, Tunja, Boyacá. Colombia 2Universidad de Camagüey, Departamento de Computación, Camagüey. Colombia |
| Año: | 2007 |
| Periodo: | Dic |
| Volumen: | 4 |
| Número: | 3 |
| Paginación: | 165-170 |
| País: | Colombia |
| Idioma: | Español |
| Tipo de documento: | Artículo |
| Enfoque: | Analítico, descriptivo |
| Resumen en español | Un conjunto de entrenamiento es una muestra de datos para el entrenamiento de clasificadores. Estos datos, están expuestos al adquirir su conocimiento, a tener prototipos erróneamente etiquetados, lo que implica un aprendizaje infructuoso en su aplicación. La selección de los objetos de un dominio a incluir en un conjunto de entrenamiento es un problema presente en todos los modelos computacionales que realizan inferencias a partir de ejemplos. La edición de un conjunto de entrenamiento se hace con el objetivo de eliminar los prototipos que inducen a una incorrecta clasificación supervisada, seleccionando un conjunto de referencia representativo y reducido. Las técnicas de edición, también producen la eliminación de prototipos, y con ello, la reducción de la matriz de aprendizaje. En este trabajo se propone un nuevo algoritmo con estos propósitos EDITBRS. Se validan los resultados del mismo en el problema real del pronóstico de las temperaturas en la estación meteorológica de la U.P.T.C., Colombia. |
| Resumen en inglés | Rough Set Theory (RST) is a technique for data analysis. In this study, we use RST and boostr ap’s technnique to improve the performance of classifiers. The RST is used to edit and r educe the tr aining set. We propose a method to edit tr aining sets, which is based on the lower and upper approximations and boostr ap’s technique. The acceler ated growth of the environmental of information volumes on processes, phenomena and r eports brings about an incr easing inter est in the possibility of discovering knowledge from data sets. Experimental r esults show a satisfactory performance using these techniques. |
| Disciplinas: | Ciencias de la computación, Geociencias |
| Palabras clave: | Ciencias de la atmósfera, Pronóstico del tiempo, Variables meteorológicas, Análisis de datos, Técnicas bootstrap, Conjuntos de entrenamiento |
| Keyword: | Computer science, Earth sciences, Atmospheric sciences, Weather forecasting, Meteorological variables, Data analysis, Bootstrap techniques, Training sets |
| Texto completo: | Texto completo (Ver HTML) |
