Nuevos modelos de clasificación mediante algoritmos evolutivos
- Cano Rojas, Alberto
- Amelia Zafra Gómez Director
- Sebastián Ventura Soto Director
Defence university: Universidad de Granada
Fecha de defensa: 24 January 2014
- José Luis Verdegay Galdeano Chair
- Francisco Herrera Triguero Secretary
- Luciano Sánchez Ramos Committee member
- Antonio Peregrín Rubio Committee member
- Mario Gongora Committee member
Type: Thesis
Abstract
1. Introducción o motivación de la tesis Existen multitud de problemas abiertos y nuevos retos en la tarea de clasificación y en minería de datos en general. Esta tesis doctoral presenta la propuesta de nuevas soluciones a dichos problemas mediante algoritmos evolutivos. Concretamente, nos marcamos como objetivo la mejora del rendimiento, escalabilidad, interpretabilidad y exactitud de los modelos de clasificación en conjuntos de datos complejos. 2. Contenido de la investigación El rendimiento y la escalabilidad de los modelos evolutivos de reglas de clasificación han sido mejorados mediante el uso de la programación paralela en GPUs, que ha demostrado alcanzar una gran eficiencia y rendimiento en la aceleración de los algoritmos de clasificación. El problema conflictivo de la interpretabilidad y exactitud de los modelos de clasificación ha sido tratado mediante la propuesta de un modelo de clasificación basado en reglas que proporciona reglas que producen resultados exactos y a la vez, son altamente comprensibles por su simplicidad. El desempeño en datos complejos tales como los conjuntos de datos no balanceados ha sido mejorado mediante la propuesta de un modelo de clasificación basado en gravitación, que ha demostrado alcanzar mejores resultados tanto en datos balanceados como no balanceados. 3. Conclusión Todos los modelos propuestos en esta Tesis Doctoral han sido evaluados bajo un entorno experimental apropiado, mediante el uso de un gran número de conjuntos de datos de diversa dimensionalidad y mediante la comparación de los resultados frente a otros algoritmos del estado del arte y recientemente publicados de probada calidad. Los resultados experimentales obtenidos han sido verificados mediante la aplicación de tests estadísticos no paramétricos que apoyan los mejores resultados obtenidos por los modelos propuestos. 4. Bibliografía A. Cano, J.M. Luna, and S. Ventura. High Performance Evaluation of Evolutionary-Mined Association Rules on GPUs. Journal of Supercomputing, 66(3), pages 1438-1461, 2013 A. Cano, A. Zafra, and S. Ventura. An Interpretable Classification Rule Mining Algorithm. Information Sciences, vol. 240, pages 1-20, 2013. A. Cano, J.L. Olmo, and S. Ventura. Parallel Multi-Objective Ant Programming for Classification Using GPUs. Journal of Parallel and Distributed Computing, 73 (6), pages 713-728, 2013. A. Cano, A. Zafra, and S. Ventura. Parallel evaluation of Pittsburgh rule-based classifiers on GPUs. Neurocomputing, Neurocomputing, vol. 126, pages 45-57, 2014. A. Cano, A. Zafra, and S. Ventura. Weighted Data Gravitation Classification for Standard and Imbalanced Data. IEEE Transactions on Cybernetics, IEEE Transactions on Cybernetics, 43 (6) pages 1672-1687, 2013. A. Cano, A. Zafra, and S. Ventura. Speeding up the evaluation phase of GP classification algorithms on GPUs. Soft Computing, 16 (2), pages 187-202, 2012. C. Márquez-Vera, A. Cano, C. Romero, and S. Ventura. Predicting student failure at school using genetic programming and different data mining approaches with high dimensional and imbalanced data. Applied Intelligence, 38 (3), pages 315-330, 2013.