About the work
Los algoritmos basados en aprendizaje automático han ganado una amplia aceptación a lo largo de los años, debido a su alta capacidad
de generalización, para diversas aplicaciones en tareas de clasificación. Aunque estos algoritmos muestran un alto rendimiento, están
limitados por la velocidad, especialmente cuando el conjunto de datos de entrenamiento contiene una cantidad excesiva de elementos.
Grandes conjuntos de datos con muchas instancias presentan requisitos de almacenamiento y tiempos de ejecución que pueden ser excesivos.
Este método propone una reducción del tamaño de las muestras generadas por el método de remuestreo boostrap utilizado en modelos
Ensemble Machine Learning y estima su capacidad de generalización sobre datos desconocidos. El método REDIBAGG se basa en el método
Bagging utilizando muestras boostrap reducidas en la fase de entrenamiento, lo que reduce el tiempo de ejecución y, a su vez,
los requisitos de almacenamiento. Este enfoque ha sido probado en tareas de clasificación y demuestra su eficacia para reducir el
tamaño del conjunto de entrenamiento sin comprometer el rendimiento. En cuanto al tamaño del conjunto de entrenamiento, el algoritmo
propuesto reduce el tamaño en un promedio de 25% del tamaño original.
Copyright registered declarations
Esther Lydia Silva Ramírez
Consolidated inscription:
Copyright infringement notifications:
0
Contact
Juan Francisco Cabrera Sánchez
Consolidated inscription:
Copyright infringement notifications:
0
Contact
Consolidated inscription:
Copyright infringement notifications:
0
Contact
Notify irregularities in this registration
Print work information
Work information
Title REDIBAGG (REduced DImension BAGGing Ensemble) method
Los algoritmos basados en aprendizaje automático han ganado una amplia aceptación a lo largo de los años, debido a su alta capacidad
de generalización, para diversas aplicaciones en tareas de clasificación. Aunque estos algoritmos muestran un alto rendimiento, están
limitados por la velocidad, especialmente cuando el conjunto de datos de entrenamiento contiene una cantidad excesiva de elementos.
Grandes conjuntos de datos con muchas instancias presentan requisitos de almacenamiento y tiempos de ejecución que pueden ser excesivos.
Este método propone una reducción del tamaño de las muestras generadas por el método de remuestreo boostrap utilizado en modelos
Ensemble Machine Learning y estima su capacidad de generalización sobre datos desconocidos. El método REDIBAGG se basa en el método
Bagging utilizando muestras boostrap reducidas en la fase de entrenamiento, lo que reduce el tiempo de ejecución y, a su vez,
los requisitos de almacenamiento. Este enfoque ha sido probado en tareas de clasificación y demuestra su eficacia para reducir el
tamaño del conjunto de entrenamiento sin comprometer el rendimiento. En cuanto al tamaño del conjunto de entrenamiento, el algoritmo
propuesto reduce el tamaño en un promedio de 25% del tamaño original.
Work type Software and Database designs
Tags bagging, tiempo de ejecución, método de remuestreo boostrap, aprendizaje automático (machine learning), modelos ensemble machine learning, algoritmos de clasificación, requisitos de almacenamiento., reducción del tamaño del conjunto de datos, rendimiento de algoritmos
-------------------------
Registry info in Safe Creative
Identifier 2403137317221
Entry date Mar 13, 2024, 8:28 AM UTC
License Creative Commons Attribution-NonCommercial-ShareAlike 4.0
-------------------------
Copyright registered declarations
Author 50.00 %. Holder Esther Lydia Silva Ramírez. Date Mar 13, 2024.
Author 50.00 %. Holder Juan Francisco Cabrera Sánchez. Date Mar 13, 2024.
Explotación 100.00 %. Holder UNIVERSIDAD DE CÁDIZ. Date Mar 13, 2024.
Information available at https://www.safecreative.org/work/2403137317221-redibagg-reduced-dimension-bagging-ensemble-method
/
Registration: 2403137317221
