Transformando la representación de los datos para mejorar el clasificador bayesiano simple

  1. Cortizo, José Carlos
  2. Giráldez, Ignacio 1
  3. Gaya, Mari Cruz 1
  1. 1 Universidad Europea de Madrid
    info

    Universidad Europea de Madrid

    Madrid, España

    ROR https://ror.org/04dp46240

Llibre:
XII Conferencia de la Asociación Española para la Inteligencia Artificial: (CAEPIA 2007). Actas
  1. Borrajo Millán, Daniel (coord.)
  2. Castillo Vidal, Luis (coord.)
  3. Corchado Rodríguez, Juan Manuel (coord.)

Editorial: Universidad de Salamanca

ISBN: 978-84-611-8846-8 978-84-611-8847-5

Any de publicació: 2007

Volum: 1

Pàgines: 317-326

Congrés: Conferencia de la Asociación Española para la Inteligencia Artificial (12. 2007. Salamanca)

Tipus: Aportació congrés

Resum

El clasificador bayesiano simple se basa en la asunción de independencia entre los valores de los atributos dado el valor de la clase. Así pues, su efectividad puede decrecer en presencia de atributos interdependientes. En este artículo se presenta DGW (Dependency Guided Wrapper), un wrapper que utiliza la información acerca de las dependencias entre atributos para transformar la representación de los datos para mejorar la precisión del clasificador bayesiano simple. Este artículo presenta una serie de experimentos donde se compara las representaciones de datos obtenidas por el DGW contra las representaciones de datos obtenidas por 12 acercamientos previos, como son la construcción inductiva de productos cartesianos de atributos, y wrappers que realizan búsquedas de subconjuntos óptimos de atributos. Los resultados de los experimentos muestran que DGW genera representaciones nuevas de los datos que ayudan a mejorar significativamente la precisión del clasificador bayesiano simple más frecuentemente que cualquier otro acercamiento previo. Además, DGW es mucho más rápido que cualquier otro sistema en el proceso de transformación de la representación de los datos.