Mostrar el registro sencillo del ítem

dc.contributor.author López Chau, Asdrúbal
dc.contributor.author Rojas-Hernández, Alberto
dc.contributor.author Jorge Bautista-López, /
dc.date.accessioned 2016-06-30T18:59:23Z
dc.date.available 2016-06-30T18:59:23Z
dc.date.issued 2016-01
dc.identifier.uri http://hdl.handle.net/20.500.11799/49523
dc.description La clasificación en conjuntos de datos no balanceados es un problema actual e importante (Khan2012). Ejemplos de aplicaciones del mundo real en las que se generan este tipo de datos son, por ejemplo, diagnósticos médicos de enfermedades tales como cáncer o diabetes mellitus, detección de errores en código fuente, ataques informáticos en servidores e identificación de transacciones bancarias fraudulentas. En este tipo de escenarios, es sumamente importante detectar casos que generalmente ocurren con poca frecuencia con respecto a la cantidad de datos obtenidos, ya que representan un riesgo que hay que observar oportunamente. Para los ejemplos de aplicaciones mencionadas anteriormente, estos casos poco frecuentes serían los pacientes enfermos de cáncer o diabetes, los fragmentos de código fuente con errores, los accesos inválidos a servidores y las transacciones ilícitas. Sin embargo, como se mencionó anteriormente, los algoritmos de clasificación, presentan problemas con conjuntos de datos no balanceados (He2009). es
dc.description.abstract Una de las tareas más importantes en inteligencia artificial es la clasificación (Han2005). Las aplicaciones del mundo real en las que se usa la clasificación son diversas y numerosas, por ejemplo: la identificación de usuarios mediante el reconocimiento de su rostro o huella digital, diagnóstico de fallas en máquinas eléctricas, predicción del estado del tiempo e identificación de correo no deseado (Witten2005). En la tarea de clasificación, una computadora “aprende” (genera un modelo) a partir de ejemplos que se le presentan en forma de vectores (cada vector representa características de objetos). El objetivo del modelo es ser usado para predecir la categoría o clase de objetos que no han sido previamente presentados a la computadora, es decir, el modelo debe ser capaz de generalizar el conocimiento. es
dc.language.iso spa es
dc.publisher Universidad Autónoma del Estado de México es
dc.rights openAccess es
dc.subject MEJORAR EL DESEMPEÑO DE ALGORITMOS es
dc.subject MÉTODOS INTELIGENTES DE PRE PROCESAMIENTO es
dc.title MÉTODOS INTELIGENTES DE PRE PROCESAMIENTO PARA MEJORAR EL DESEMPEÑO DE ALGORITMOS DE CLASIFICACIÓN” es
dc.type Proyecto de Investigación es
dc.provenance Científica es
dc.road Dorada es
dc.ambito Nacional es


Ficheros en el ítem

Este ítem aparece en la(s) siguiente(s) colección(ones)

Visualización del Documento

  • Título
  • MÉTODOS INTELIGENTES DE PRE PROCESAMIENTO PARA MEJORAR EL DESEMPEÑO DE ALGORITMOS DE CLASIFICACIÓN”
  • Autor
  • López Chau, Asdrúbal
  • Rojas-Hernández, Alberto
  • Jorge Bautista-López, /
  • Fecha de publicación
  • 2016-01
  • Editor
  • Universidad Autónoma del Estado de México
  • Tipo de documento
  • Proyecto de Investigación
  • Palabras clave
  • MEJORAR EL DESEMPEÑO DE ALGORITMOS
  • MÉTODOS INTELIGENTES DE PRE PROCESAMIENTO
  • Los documentos depositados en el Repositorio Institucional de la Universidad Autónoma del Estado de México se encuentran a disposición en Acceso Abierto bajo la licencia Creative Commons: Atribución-NoComercial-SinDerivar 4.0 Internacional (CC BY-NC-ND 4.0)

Mostrar el registro sencillo del ítem

Buscar en RI


Buscar en RI

Usuario

Estadísticas