Método de inducción de reglas de clasificación oblicuas mediante un algoritmo evolutivo

En este articulo presentamos un nuevo metodología denominado OBLIC, para inducción de reglas de clasificación oblicuas no jerárquicas a partir de un conjunto de datos etiquetados. La base del método es un algoritmo evolutivo con codificación real para los individuos y basado en la estrategia de Pitt...

Full description

Autores:
Álvarez Macías, José Luis
Mata Vázquez, Jacinto
Riquelme Santos, José Cristóbal
Tipo de recurso:
Trabajo de grado de pregrado
Fecha de publicación:
2002
Institución:
Universidad Autónoma de Bucaramanga - UNAB
Repositorio:
Repositorio UNAB
Idioma:
spa
OAI Identifier:
oai:repository.unab.edu.co:20.500.12749/9062
Acceso en línea:
http://hdl.handle.net/20.500.12749/9062
Palabra clave:
Innovaciones tecnológicas
Ciencia de los computadores
Desarrollo de tecnología
Ingeniería de sistemas
Investigaciones
Tecnologías de la información y las comunicaciones
TIC´s
Technological innovations
Computer science
Technology development
Systems engineering
Investigations
Information and communication technologies
ICT's
Data mining
Supervised learning
Classification
Evolutionary algorithms
Desarrollo tecnológico
Innovaciones tecnológicas
Ciencias de la computación
Tecnologías de la información y la comunicación
Investigación
Minería de datos
Aprendizaje supervisado
Clasificación
Algoritmos evolutivos
Rights
License
Derechos de autor 2002 Revista Colombiana de Computación
id UNAB2_efd4793fd8c199999235dd4b71c5bb17
oai_identifier_str oai:repository.unab.edu.co:20.500.12749/9062
network_acronym_str UNAB2
network_name_str Repositorio UNAB
repository_id_str
dc.title.spa.fl_str_mv Método de inducción de reglas de clasificación oblicuas mediante un algoritmo evolutivo
dc.title.translated.eng.fl_str_mv Oblique classification rule induction method using an evolutionary algorithm
title Método de inducción de reglas de clasificación oblicuas mediante un algoritmo evolutivo
spellingShingle Método de inducción de reglas de clasificación oblicuas mediante un algoritmo evolutivo
Innovaciones tecnológicas
Ciencia de los computadores
Desarrollo de tecnología
Ingeniería de sistemas
Investigaciones
Tecnologías de la información y las comunicaciones
TIC´s
Technological innovations
Computer science
Technology development
Systems engineering
Investigations
Information and communication technologies
ICT's
Data mining
Supervised learning
Classification
Evolutionary algorithms
Desarrollo tecnológico
Innovaciones tecnológicas
Ciencias de la computación
Tecnologías de la información y la comunicación
Investigación
Minería de datos
Aprendizaje supervisado
Clasificación
Algoritmos evolutivos
title_short Método de inducción de reglas de clasificación oblicuas mediante un algoritmo evolutivo
title_full Método de inducción de reglas de clasificación oblicuas mediante un algoritmo evolutivo
title_fullStr Método de inducción de reglas de clasificación oblicuas mediante un algoritmo evolutivo
title_full_unstemmed Método de inducción de reglas de clasificación oblicuas mediante un algoritmo evolutivo
title_sort Método de inducción de reglas de clasificación oblicuas mediante un algoritmo evolutivo
dc.creator.fl_str_mv Álvarez Macías, José Luis
Mata Vázquez, Jacinto
Riquelme Santos, José Cristóbal
dc.contributor.author.spa.fl_str_mv Álvarez Macías, José Luis
Mata Vázquez, Jacinto
Riquelme Santos, José Cristóbal
dc.subject.none.fl_str_mv Innovaciones tecnológicas
Ciencia de los computadores
Desarrollo de tecnología
Ingeniería de sistemas
Investigaciones
Tecnologías de la información y las comunicaciones
TIC´s
topic Innovaciones tecnológicas
Ciencia de los computadores
Desarrollo de tecnología
Ingeniería de sistemas
Investigaciones
Tecnologías de la información y las comunicaciones
TIC´s
Technological innovations
Computer science
Technology development
Systems engineering
Investigations
Information and communication technologies
ICT's
Data mining
Supervised learning
Classification
Evolutionary algorithms
Desarrollo tecnológico
Innovaciones tecnológicas
Ciencias de la computación
Tecnologías de la información y la comunicación
Investigación
Minería de datos
Aprendizaje supervisado
Clasificación
Algoritmos evolutivos
dc.subject.keywords.eng.fl_str_mv Technological innovations
Computer science
Technology development
Systems engineering
Investigations
Information and communication technologies
ICT's
Data mining
Supervised learning
Classification
Evolutionary algorithms
dc.subject.lemb.spa.fl_str_mv Desarrollo tecnológico
Innovaciones tecnológicas
Ciencias de la computación
Tecnologías de la información y la comunicación
Investigación
dc.subject.proposal.spa.fl_str_mv Minería de datos
Aprendizaje supervisado
Clasificación
Algoritmos evolutivos
description En este articulo presentamos un nuevo metodología denominado OBLIC, para inducción de reglas de clasificación oblicuas no jerárquicas a partir de un conjunto de datos etiquetados. La base del método es un algoritmo evolutivo con codificación real para los individuos y basado en la estrategia de Pittsburgh. Así, cada individuo esta compuesto por un conjunto de reglas de clasificación que dividen el espacio de búsqueda en regiones para cada una de las clases del conjunto de datos. La función de bondad determina la exactitud de cada individuo mediante la exploración de estas regiones. El modelo de clasificación es deducido a partir del mejor individuo obtenido durante el proceso evolutivo. Para analizar los resultados se ofrece una comparativa entre OBLIC, C4.5 y 0C1 sobre un conjunto de bases de datos del UCI Repositorio.
publishDate 2002
dc.date.issued.none.fl_str_mv 2002-06-01
dc.date.accessioned.none.fl_str_mv 2020-10-27T00:21:29Z
dc.date.available.none.fl_str_mv 2020-10-27T00:21:29Z
dc.type.coar.fl_str_mv http://purl.org/coar/resource_type/c_2df8fbb1
dc.type.driver.none.fl_str_mv info:eu-repo/semantics/article
dc.type.local.spa.fl_str_mv Artículo
dc.type.coar.none.fl_str_mv http://purl.org/coar/resource_type/c_7a1f
dc.type.redcol.none.fl_str_mv http://purl.org/redcol/resource_type/CJournalArticle
format http://purl.org/coar/resource_type/c_7a1f
dc.identifier.issn.none.fl_str_mv 2539-2115
1657-2831
dc.identifier.uri.none.fl_str_mv http://hdl.handle.net/20.500.12749/9062
dc.identifier.instname.spa.fl_str_mv instname:Universidad Autónoma de Bucaramanga UNAB
dc.identifier.repourl.none.fl_str_mv repourl:https://repository.unab.edu.co
identifier_str_mv 2539-2115
1657-2831
instname:Universidad Autónoma de Bucaramanga UNAB
repourl:https://repository.unab.edu.co
url http://hdl.handle.net/20.500.12749/9062
dc.language.iso.spa.fl_str_mv spa
language spa
dc.relation.none.fl_str_mv https://revistas.unab.edu.co/index.php/rcc/article/view/1105/1077
dc.relation.uri.none.fl_str_mv https://revistas.unab.edu.co/index.php/rcc/article/view/1105
dc.relation.references.none.fl_str_mv [1) D. Ackley. A Connectionist Machine for Genetic Hillclimbing. Kluver Acad. Pub. 19871
(2) C.L. Blake y C.J Merz. fhttp://www.ics.uci.edu/-fmlearn/MLRepository.htmlI. Irvine, CA: University of California, Department of Information and Computer Science. 1998.
Breiman; Friedman; Olshen y Stone. Classification and Regression Trees. Wadsworth International Group. 1984.
M.S. Chen; J. Han y P.S. Yu. Data Mining: An Overview from Database perspective.
K.A. De Jong. An analysis of the behavoir of a class of genetic adaptive systems. PhD thesis, University of Michigan. 1975
K.A. De Jong. Using Genetic Algorithms for Concepts Learning. Machine Learning, 13 161-188, 1993.
L.J. Eshelman y J.D. Schaffer. Real-Coded Genetic Algorithms and Interval Schemata. Foundations of Genetic Algorithms 2. Morgan Kaufmann Pub. 1993. Fayyad;
L.J. Eshelman y J.D. Schaffer. Real-Coded Genetic Algorithms and Interval Schemata. Foundations of Genetic Algorithms 2. Morgan Kaufmann Pub. 1993. Fayyad;
Fayyad; Piatetsky-Shapiro y Smyth. From Data Mining to Knowledge Discovery: An Overview. Advances in Knowledge Discovery and Data Mining, 1-34, 1996.
. D.E. Goldberg Genetic Algorithms in Search, Optimization and Machine Learning, Addison-Wesley Pub. Company, inc., 1989.
10) S. Hampson y D. Volper. Linear function neurons: Structure and training. Biological Cybernetics, 53, 203-217, 1986.
111 J.H. Holland. Adaptation in Natural and Artificial Systems. University of Michigan Press, Ann Arbor, MI. 1975. [
12) C.Z. Janikov. A Knowleged-Intensive Genetic Algorithm for Supervised Learning. Ma-chine Learning, 13 189-228, 1993.
J.R. Koza. Concept Formation and Decision Thee Induction using the Genetic Program-ming Paradimg. Springer-Verlag, 1991.
[14) Z. Michalewicz. Genetics Algorithms + Data Structures = Evolution Programs, Third Edition. Springer-Verlag, 1999.
M. Mitchell. An Introduction to Genetic Algorithms. MIT Press. 1996.
S.K. Murthy; S. Kasif y S. Salzberg. A System for Induction of Obliques Decision Tress. Journal or Artificial Intelligence Research, 2 1-32, 1994.
J.R. Quinlan. C4.5: Programs for Machine Learning. Morgan Kaufmann Pub., 1993.
J.R. Quinlan. Improved use of continuous attributes in C4.5. Journal of Artificial Intel-ligence Research, vol. 4, pp 77-90. 1996.
G. Syswerda. Uniform crossover in Genetic Algorithms. 3th Int. Conference on Genetic Algorithms, 2-9, 1989
P.E. Utgoff y C.E. Brodley. An incremental method for finding multivariate splits for decision trees. 7th International Conference on Machine Learning, 58-65, 1990.
T. Van de Merckt. NFDT: A system that learns flexible concepts based on decision trees for numerical attributes. 9th Int. Workshop on Machine Learning, pp. 322-331, 1992.
T. Van de Merckt. Decision trees in numerical attribute spaces. 13th International Joint Conference on Artificial Intelligence, pp. 1016-1021, 1993.
D. Whitley. A Genetic Algorithm DatoriaL Technical Report CS-93-103. Colorado State University. 1993. A.H. Wright. Genetic Algorithm for Real Parameter Optimization. Morgan Kaufmann Pub., 1991.
dc.rights.none.fl_str_mv Derechos de autor 2002 Revista Colombiana de Computación
dc.rights.coar.fl_str_mv http://purl.org/coar/access_right/c_abf2
dc.rights.uri.*.fl_str_mv http://creativecommons.org/licenses/by-nc-sa/4.0/
dc.rights.uri.none.fl_str_mv http://creativecommons.org/licenses/by-nc-nd/2.5/co/
dc.rights.creativecommons.*.fl_str_mv Attribution-NonCommercial-ShareAlike 4.0 International
rights_invalid_str_mv Derechos de autor 2002 Revista Colombiana de Computación
http://creativecommons.org/licenses/by-nc-sa/4.0/
http://creativecommons.org/licenses/by-nc-nd/2.5/co/
Attribution-NonCommercial-ShareAlike 4.0 International
http://purl.org/coar/access_right/c_abf2
dc.format.mimetype.spa.fl_str_mv application/pdf
dc.publisher.none.fl_str_mv Universidad Autónoma de Bucaramanga UNAB
publisher.none.fl_str_mv Universidad Autónoma de Bucaramanga UNAB
dc.source.none.fl_str_mv Revista Colombiana de Computación; Vol. 3 Núm. 1 (2002): Revista Colombiana de Computación; 7-20
institution Universidad Autónoma de Bucaramanga - UNAB
bitstream.url.fl_str_mv https://repository.unab.edu.co/bitstream/20.500.12749/9062/1/2002_Articulo_M%c3%a9todo%20de%20inducci%c3%b3n%20de%20reglas%20de%20clasificaci%c3%b3n%20oblicuas%20mediante%20un%20algoritmo%20evolutivo.pdf
https://repository.unab.edu.co/bitstream/20.500.12749/9062/2/2002_Articulo_M%c3%a9todo%20de%20inducci%c3%b3n%20de%20reglas%20de%20clasificaci%c3%b3n%20oblicuas%20mediante%20un%20algoritmo%20evolutivo.pdf.jpg
bitstream.checksum.fl_str_mv 4f3c58d7dc02a96aa6f347155bbb8623
0e83215f1622cbeeb24896289ae5bdea
bitstream.checksumAlgorithm.fl_str_mv MD5
MD5
repository.name.fl_str_mv Repositorio Institucional | Universidad Autónoma de Bucaramanga - UNAB
repository.mail.fl_str_mv repositorio@unab.edu.co
_version_ 1814278373330911232
spelling Álvarez Macías, José Luis3da31418-2122-4a4d-8e0c-65a786c236ecMata Vázquez, Jacinto00fa48b3-7bcf-4d26-b355-3a18e227f1f7Riquelme Santos, José Cristóbal44ec187b-bf18-4ea7-bed8-4b78202d07502020-10-27T00:21:29Z2020-10-27T00:21:29Z2002-06-012539-21151657-2831http://hdl.handle.net/20.500.12749/9062instname:Universidad Autónoma de Bucaramanga UNABrepourl:https://repository.unab.edu.coEn este articulo presentamos un nuevo metodología denominado OBLIC, para inducción de reglas de clasificación oblicuas no jerárquicas a partir de un conjunto de datos etiquetados. La base del método es un algoritmo evolutivo con codificación real para los individuos y basado en la estrategia de Pittsburgh. Así, cada individuo esta compuesto por un conjunto de reglas de clasificación que dividen el espacio de búsqueda en regiones para cada una de las clases del conjunto de datos. La función de bondad determina la exactitud de cada individuo mediante la exploración de estas regiones. El modelo de clasificación es deducido a partir del mejor individuo obtenido durante el proceso evolutivo. Para analizar los resultados se ofrece una comparativa entre OBLIC, C4.5 y 0C1 sobre un conjunto de bases de datos del UCI Repositorio.In this article we present a new methodology called OBLIC, for the induction of non-hierarchical oblique classification rules from a set of labeled data. The basis of the method is an evolutionary algorithm with real coding for individuals and based on the Pittsburgh strategy. Thus, each individual is composed of a set of classification rules that divide the search space into regions for each of the classes in the data set. The goodness function determines the correctness of each individual by exploring these regions. The classification model is deduced from the best individual obtained during the evolutionary process. To analyze the results, a comparison between OBLIC, C4.5 and 0C1 is offered on a set of databases from the UCI Repository.application/pdfspaUniversidad Autónoma de Bucaramanga UNABhttps://revistas.unab.edu.co/index.php/rcc/article/view/1105/1077https://revistas.unab.edu.co/index.php/rcc/article/view/1105[1) D. Ackley. A Connectionist Machine for Genetic Hillclimbing. Kluver Acad. Pub. 19871(2) C.L. Blake y C.J Merz. fhttp://www.ics.uci.edu/-fmlearn/MLRepository.htmlI. Irvine, CA: University of California, Department of Information and Computer Science. 1998.Breiman; Friedman; Olshen y Stone. Classification and Regression Trees. Wadsworth International Group. 1984.M.S. Chen; J. Han y P.S. Yu. Data Mining: An Overview from Database perspective.K.A. De Jong. An analysis of the behavoir of a class of genetic adaptive systems. PhD thesis, University of Michigan. 1975K.A. De Jong. Using Genetic Algorithms for Concepts Learning. Machine Learning, 13 161-188, 1993.L.J. Eshelman y J.D. Schaffer. Real-Coded Genetic Algorithms and Interval Schemata. Foundations of Genetic Algorithms 2. Morgan Kaufmann Pub. 1993. Fayyad;L.J. Eshelman y J.D. Schaffer. Real-Coded Genetic Algorithms and Interval Schemata. Foundations of Genetic Algorithms 2. Morgan Kaufmann Pub. 1993. Fayyad;Fayyad; Piatetsky-Shapiro y Smyth. From Data Mining to Knowledge Discovery: An Overview. Advances in Knowledge Discovery and Data Mining, 1-34, 1996.. D.E. Goldberg Genetic Algorithms in Search, Optimization and Machine Learning, Addison-Wesley Pub. Company, inc., 1989.10) S. Hampson y D. Volper. Linear function neurons: Structure and training. Biological Cybernetics, 53, 203-217, 1986.111 J.H. Holland. Adaptation in Natural and Artificial Systems. University of Michigan Press, Ann Arbor, MI. 1975. [12) C.Z. Janikov. A Knowleged-Intensive Genetic Algorithm for Supervised Learning. Ma-chine Learning, 13 189-228, 1993.J.R. Koza. Concept Formation and Decision Thee Induction using the Genetic Program-ming Paradimg. Springer-Verlag, 1991.[14) Z. Michalewicz. Genetics Algorithms + Data Structures = Evolution Programs, Third Edition. Springer-Verlag, 1999.M. Mitchell. An Introduction to Genetic Algorithms. MIT Press. 1996.S.K. Murthy; S. Kasif y S. Salzberg. A System for Induction of Obliques Decision Tress. Journal or Artificial Intelligence Research, 2 1-32, 1994.J.R. Quinlan. C4.5: Programs for Machine Learning. Morgan Kaufmann Pub., 1993.J.R. Quinlan. Improved use of continuous attributes in C4.5. Journal of Artificial Intel-ligence Research, vol. 4, pp 77-90. 1996.G. Syswerda. Uniform crossover in Genetic Algorithms. 3th Int. Conference on Genetic Algorithms, 2-9, 1989P.E. Utgoff y C.E. Brodley. An incremental method for finding multivariate splits for decision trees. 7th International Conference on Machine Learning, 58-65, 1990.T. Van de Merckt. NFDT: A system that learns flexible concepts based on decision trees for numerical attributes. 9th Int. Workshop on Machine Learning, pp. 322-331, 1992.T. Van de Merckt. Decision trees in numerical attribute spaces. 13th International Joint Conference on Artificial Intelligence, pp. 1016-1021, 1993.D. Whitley. A Genetic Algorithm DatoriaL Technical Report CS-93-103. Colorado State University. 1993. A.H. Wright. Genetic Algorithm for Real Parameter Optimization. Morgan Kaufmann Pub., 1991.Derechos de autor 2002 Revista Colombiana de Computaciónhttp://creativecommons.org/licenses/by-nc-sa/4.0/http://creativecommons.org/licenses/by-nc-nd/2.5/co/Attribution-NonCommercial-ShareAlike 4.0 Internationalhttp://purl.org/coar/access_right/c_abf2Revista Colombiana de Computación; Vol. 3 Núm. 1 (2002): Revista Colombiana de Computación; 7-20Innovaciones tecnológicasCiencia de los computadoresDesarrollo de tecnologíaIngeniería de sistemasInvestigacionesTecnologías de la información y las comunicacionesTIC´sTechnological innovationsComputer scienceTechnology developmentSystems engineeringInvestigationsInformation and communication technologiesICT'sData miningSupervised learningClassificationEvolutionary algorithmsDesarrollo tecnológicoInnovaciones tecnológicasCiencias de la computaciónTecnologías de la información y la comunicaciónInvestigaciónMinería de datosAprendizaje supervisadoClasificaciónAlgoritmos evolutivosMétodo de inducción de reglas de clasificación oblicuas mediante un algoritmo evolutivoOblique classification rule induction method using an evolutionary algorithminfo:eu-repo/semantics/articleArtículohttp://purl.org/coar/resource_type/c_7a1fhttp://purl.org/coar/resource_type/c_2df8fbb1http://purl.org/redcol/resource_type/CJournalArticleORIGINAL2002_Articulo_Método de inducción de reglas de clasificación oblicuas mediante un algoritmo evolutivo.pdf2002_Articulo_Método de inducción de reglas de clasificación oblicuas mediante un algoritmo evolutivo.pdfArtículoapplication/pdf608543https://repository.unab.edu.co/bitstream/20.500.12749/9062/1/2002_Articulo_M%c3%a9todo%20de%20inducci%c3%b3n%20de%20reglas%20de%20clasificaci%c3%b3n%20oblicuas%20mediante%20un%20algoritmo%20evolutivo.pdf4f3c58d7dc02a96aa6f347155bbb8623MD51open accessTHUMBNAIL2002_Articulo_Método de inducción de reglas de clasificación oblicuas mediante un algoritmo evolutivo.pdf.jpg2002_Articulo_Método de inducción de reglas de clasificación oblicuas mediante un algoritmo evolutivo.pdf.jpgIM Thumbnailimage/jpeg8527https://repository.unab.edu.co/bitstream/20.500.12749/9062/2/2002_Articulo_M%c3%a9todo%20de%20inducci%c3%b3n%20de%20reglas%20de%20clasificaci%c3%b3n%20oblicuas%20mediante%20un%20algoritmo%20evolutivo.pdf.jpg0e83215f1622cbeeb24896289ae5bdeaMD52open access20.500.12749/9062oai:repository.unab.edu.co:20.500.12749/90622022-11-25 20:34:10.673open accessRepositorio Institucional | Universidad Autónoma de Bucaramanga - UNABrepositorio@unab.edu.co