Tesis Validadas: 2,591

Tesis de Posgrado: 2650

Número de Visitas: contador visitas

Please use this identifier to cite or link to this item: https://rinacional.tecnm.mx/jspui/handle/TecNM/7750
Full metadata record
DC FieldValueLanguage
dc.contributor.authorGuzman Ruiz, Omar%549868-
dc.creatorGuzman Ruiz, Omar%549868-
dc.date.accessioned2024-05-07T22:17:48Z-
dc.date.available2024-05-07T22:17:48Z-
dc.date.issued2017-01-20-
dc.identifier.urihttps://rinacional.tecnm.mx/jspui/handle/TecNM/7750-
dc.descriptionEl trabajo realizado en este documento trata acerca de la reducción de dimensionalidad de las bases de datos para el aprendizaje supervisado. Uno de los problemas fundamentales en áreas como minería de datos, aprendizaje automático o reconocimiento de patrones es la selección de atributos o reducción de atributos en la cual se busca resolver el problema de encontrar los atributos más relevantes, ya que puede darse el caso en tareas de clasificación que aumente la precisión del clasificador con el tamaño reducido de atributos, en lugar de utilizar todo el conjunto original. Existen en la literatura diversos artículos para el problema de selección de atributos, varios de ellos mencionan que uno de los mejores métodos de selección de atributos del subconjunto óptimo es el “Branch & Bound”, si la heurística empleada es monotónica, asegura encontrar la mejor solución sin necesidad de realizar una búsqueda exhaustiva. En este trabajo se compara la calidad del subconjunto encontrado por el Branch & Bound utilizando como medida de evaluación del subconjunto dos criterios de evaluación: uno es la incertidumbre simétrica que es una versión normalizada de información mutua y el otro criterio es la medida probabilística Bhattacharyya. Se presenta un conjunto de pruebas sobre bases de datos reales que muestran el tiempo de procesado y la precisión del clasificador para la selección de atributos hecha por el Branch & Bound contra diferentes herramientas de selección de atributos.es_MX
dc.language.isospaes_MX
dc.publisherTecnológico Nacional de Méxicoes_MX
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/4.0es_MX
dc.subjectinfo:eu-repo/classification/cti/7es_MX
dc.titleDefinición y Aplicación de Heurística Monotónica para Evaluar el Algoritmo “Branch & Bound” para Selección de Atributoses_MX
dc.typeinfo:eu-repo/semantics/masterThesises_MX
dc.contributor.directorMejia Lavalle, Manuel%55801-
dc.folio1023es_MX
dc.rights.accessinfo:eu-repo/semantics/openAccesses_MX
dc.publisher.tecnmCentro Nacional de Investigación y Desarrollo Tecnológicoes_MX
Appears in Collections:Tesis de Maestría en Computación

Files in This Item:
File Description SizeFormat 
MC_Omar_Guzman_Ruiz_2017.pdfTesis2.65 MBAdobe PDFView/Open
MC_Omar_Guzman_Ruiz_2017_c.pdf
  Restricted Access
Cesión de derechos236.83 kBAdobe PDFView/Open Request a copy


This item is protected by original copyright



This item is licensed under a Creative Commons License Creative Commons