Un nuevo algoritmo de selección de rasgos basado en la teoría de los conjuntos aproximados
DOI:
https://doi.org/10.17533/udea.redin.19021Palabras clave:
Selección de rasgos, reducto, conjuntos aproximadosResumen
La teoría de los conjuntos aproximados ha abierto nuevas tendencias en el desarrollo de las técnicas de análisis de datos. Dentro de estas es significativo el concepto de reducto, cuya obtención en un sistema de decisión es un proceso computacionalmente costoso aunque importante en análisis de datos y nuevo conocimiento. Debido a esto, se ha hecho necesario desarrollar diferentes variantes para calcular reductos. El presente trabajo investiga la utilidad que ofrece el modelo de los conjuntos aproximados en selección de rasgos y se presenta un nuevo método con el propósito de calcular un buen reducto. Este nuevo método consiste en un algoritmo glotón que usa heurísticas para encontrar un buen reducto en tiempos aceptables. Se presentan, además, los resultados experimentales obtenidos usando diferentes conjuntos de datos.
Descargas
Citas
N. Zhong, J. Dong, S. Ohsuga “Using Rough sets with heuristics for feature selection” Journal of Intelligent Information Systems. Vol. 16. 2001. pp. 199-214. DOI: https://doi.org/10.1023/A:1011219601502
J. Wroblewski. “Finding minimal reducts using genetic algorithms”. En: Wang, P.P. (Ed). Proceedings of the International Workshop on Rough Sets Soft Computing at Second Annual Joint Conference on Information Sciences, North Carolina, USA. 1995. pp. 186-189.
J.S Deogun. “Feature selection and effective classifiers”. Journal of ASIS. Vol 49. 1998. pp. 423-434. DOI: https://doi.org/10.1002/(SICI)1097-4571(19980415)49:5<423::AID-ASI5>3.3.CO;2-S
S.K. Choubey. “A comparison of feature selection algorithms in the context of rough classifiers”. Proceedings of Fifth IEEE International Conference on Fuzzy Systems. Vol. 2. 1996. pp. 1122-1128.
R. Kohavi, B. Frasca. “Useful feature subsets and Rough set Reducts”. Proceedings of the Third International Workshop on Rough Sets and Soft Computing. San José, California. 1994. pp. 310-317.
H. Liu, H. Motoda. “Feature Selection Boston, MA : Kluwer academic Publishers”. En: http://citeseer.ist.psu.edu/321378.html 1998. Consultado el 7 de mayo de 2006.
R. Jensen, S. Qiang. “Finding rough sets reducts with Ant colony optimization”. http://www.inf.ed.ac.uk/publications/online/0201.pdf. 2003. Consultado el 5 de noviembre de 2005. DOI: https://doi.org/10.1016/j.fss.2004.07.014
Z. Pawlak. “Rough sets”. International Journal of Information & Computer Sciences. Vol. 11. 1982. pp. 341-356. DOI: https://doi.org/10.1007/BF01001956
J. Komorowski, Z. Pawlak, Z. “Rough Sets: A tutorial. In Pal, S.K. and Skowron, A. (Eds.) Rough Fuzzy Hy-bridization: A new trend in decision-making.” Springer. 1999. pp. 3-98.
I. Dunstsh, Ivo, G. Gunter. “Rough set data analysis”. En: http://citeseer.nj.nec.com/dntsch00rough.html. 2000. Consultado el 20 de mayo de 2006.
Z. Pawlak, “Rough Sets Theoretical Aspects of Reasoning About Data. Kluwer Academic Publishing, Dordrecht”. 1991. En: http://citeseer.ist.psu.edu/con-text/36378.html. Consultado el 7 de abril de 2006.
R. Bello, Z. Valdivia, M.M. García, L. Reynoso. Aplicaciones de la inteligencia artificial. México. 1ª. ed. Guadalajara. Universidad de Guadalajara. 2002. pp. 62-64
R. Bello, A. Nowe, A. Puris. “Two Step Ant Colony Sys-tem to Solve the Feature Selection Problem”. Lectures Notes on Computer Sciences. Springer-Verlag. 2006. pp. 588-596. DOI: https://doi.org/10.1007/11892755_61
B.S. Ahn. “The integrated methodology of rough set theory and artificial neural networks for business failure predictions”. Expert Systems with Applications. Vol. 18. 2000. pp. 65-74. DOI: https://doi.org/10.1016/S0957-4174(99)00053-6
A. Ohrn. “Rosetta Technical Reference Manual. Department of Computer and Information Science” Norwegian University of Science and Technology. Noruega, 2002.
Y. S. Wong, C. J. Butz. “Methodologies for Knowledge Discovery and Data Mining”. Zhong y Zhou (Eds.) On Information-Theoretic Measures of attribute importance. pp. 231-238. En: http://citeseer.ist.psu. edu/yao99informationtheoretic.html. Consultado el 15 de febrero de 2006.
P. Piñero, L. Arco, M.M. García, Y. Caballero.“Two New Metrics for Feature Selection in Pattern Recognition”, Lectures Notes in Computer Science (LNCS 2905) Springer Verlag, Berlin Heidelberg. 2003. pp. 488-497 DOI: https://doi.org/10.1007/978-3-540-24586-5_60
T. Mitchell, M. Hill. “Machine Learning”. 1997. http://www.cs.cmu.edu/~tom/mlbook.html. Consultado el 14 de enero de 2006.
C. L Blake, C. J. Merz. “UCI Repository of machine learning databases”. University of California, Irvine, 1998 http://www.ics.uci.edu/~mlearn/. Consultado el 10 de mayo de 2005.
D. Álvarez. Feature selection for data analysis using Rough Sets Theory. Master Thesis of Computer Science Engineering. University of Camagüey. Cuba. 2005. pp. 38-66.
Descargas
Publicado
Cómo citar
Número
Sección
Licencia
Los artículos disponibles en la Revista Facultad de Ingeniería, Universidad de Antioquia están bajo la licencia Creative Commons Attribution BY-NC-SA 4.0.
Eres libre de:
Compartir — copiar y redistribuir el material en cualquier medio o formato
Adaptar : remezclar, transformar y construir sobre el material.
Bajo los siguientes términos:
Reconocimiento : debe otorgar el crédito correspondiente , proporcionar un enlace a la licencia e indicar si se realizaron cambios . Puede hacerlo de cualquier manera razonable, pero no de ninguna manera que sugiera que el licenciante lo respalda a usted o su uso.
No comercial : no puede utilizar el material con fines comerciales .
Compartir igual : si remezcla, transforma o construye a partir del material, debe distribuir sus contribuciones bajo la misma licencia que el original.
El material publicado por la revista puede ser distribuido, copiado y exhibido por terceros si se dan los respectivos créditos a la revista, sin ningún costo. No se puede obtener ningún beneficio comercial y las obras derivadas tienen que estar bajo los mismos términos de licencia que el trabajo original.
Twitter