Comparación de modelos apilados bajo los esquemas de redes neuronales y árboles de clasificación

Las redes neuronales y los árboles de decisión han demostrado ser métodos e cientes en aplicaciones relacionadas con la clasi cación. En la actualidad siguen intentando combinar estos métodos con el propósito de obtener un algoritmo más e ciente que sea capaz de mejorar la precisión de sus estimaciones, por esta razón esta tesis tiene como propósito crear y comparar el rendimiento de los modelos anteriores, mediante la combinación de diferentes algoritmos de decisión a través del método stacking o apilamiento, el cual fue desarrollado por Wolper en 1992 para aumentar la precisión predictiva de los modelos, la idea de este método es recopilar las estimaciones de diferentes algoritmos de clasi cación y posteriormente desarrollar el modelo nal a partir de este nuevo conjunto de datos. En la terminología de Wolpert, los datos originales y los modelos construidos para ellos en el primer paso se denominan modelos y colección de datos de nivel 0, mientras que el conjunto de datos que contiene estimaciones de los modelos del nivel 0 junto con la variable a predecir original, se denomina datos de nivel 1, de igual manera que el algoritmo de aprendizaje creado para esta nueva base de datos toma el nombre de modelo de nivel 1.

• Autores: Rincón Olmos, Jhon Alexander; Cruz Castro, Daniel Leonardo
• Tipo de recurso: Trabajo de grado de pregrado
• Fecha de publicación: 2017
• Institución: Universidad Santo Tomás
• Repositorio: Repositorio Institucional USTA
• Idioma: spa
• OAI Identifier: oai:repository.usta.edu.co:11634/44409
• Acceso en línea: http://hdl.handle.net/11634/44409
• Palabra clave: Comparaciones múltiples; Redes neuronales; Toma de decisiones
• Rights: closedAccess
• License: Atribución-NoComercial-SinDerivadas 2.5 Colombia