UAM_Biblioteca | Unified search engine | Scientific Production Portal | UAM Research Data Repository
Universidad Autónoma de Madrid
Biblos-e Archivo
We are onFacebookCanal BiblosYouTubeTwitterPinterestWhatsappInstagram
    • español
    • English
  • English 
    • español
    • English
  • Log in
JavaScript is disabled for your browser. Some features of this site may not work without it.

Search Biblos-e Archivo

Advanced Search

Browse

All of Biblos-e ArchivoCommunities & CollectionsBy Issue DateAuthorsTitlesSubjectsFacultiesThis CollectionBy Issue DateAuthorsTitlesSubjectsFaculties

My Account

Log inRegister

Statistics

View Usage Statistics

Help

Information about Biblos-e ArchivoI want to submit my workI want to submit my doctoral thesisFrequently Asked QuestionsCopyrightsFinancial Agencies and OA policy

UAM_Biblioteca

View Item 
  •   Biblos-e Archivo
  • 2 - Trabajos de estudiantes (tesis doctorales, TFMs, TFGs, etc.)
  • Trabajos de estudiantes (tesis doctorales, TFMs, TFGs, etc.)
  • View Item
  •   Biblos-e Archivo
  • 2 - Trabajos de estudiantes (tesis doctorales, TFMs, TFGs, etc.)
  • Trabajos de estudiantes (tesis doctorales, TFMs, TFGs, etc.)
  • View Item

Generación de conjuntos de máquinas de soporte vectorial mediante técnicas de remuestreo e inyección de ruido en las etiquetas de clase

Author
Salamanca Polo, Luis
Advisor
Suárez González, Albertountranslated
Entity
UAM. Departamento de Ingeniería Informática
Date
2017-05
Subjects
Aprendizaje automático inductivo; Clasificación supervisada; Máquinas de soporte vectorial; Informática
URI
http://hdl.handle.net/10486/679328

Licencia de Creative Commons
Esta obra está bajo una licencia de Creative Commons Reconocimiento-NoComercial-SinObraDerivada 4.0 Internacional.

Abstract

Este trabajo tiene como objetivo mejorar los sistemas de aprendizaje automático basados en la generación de conjuntos de predictores. Como algoritmo base se utilizarán las máquinas de soporte vectorial. Dentro de problemas del aprendizaje supervisado el trabajo aborda los problemas de clasificación binaria. Para desarrollar el objetivo enunciado, se ha extendido la funcionalidad de la librería EnsembleSVM. En esta librería la diversidad en el conjunto se genera utilizando técnicas de remuestreo, como bagging y subbagging. La extensión realizada consiste en incorporar un mecanismo adicional para generar diversidad entre los predictores del conjunto denominado class-switching. Esta técnica está basada en inducir predictores a partir de un conjunto de datos en los que se ha inyectado ruido en las etiquetas clase de manera aleatoria. Una vez implementada esta funcionalidad adicional se lleva a cabo una investigación empírica de la eficacia, en términos de tasas de acierto y eficiencia, en términos de tiempo de entrenamiento, de los conjuntos generados. En el entrenamiento se aplican diferentes porcentajes de remuestreo y diferentes porcentajes de inyección de ruido en las etiquetas clase. En las pruebas realizadas, veremos que predecir con un conjunto de SVMs generalmente no mejora la tasa de error de la predicción de una única SVM. Este resultado confirma las observaciones realizadas en trabajos previos. En cambio, aplicando técnicas de submuestreo se pueden generar conjuntos con un tiempo de entrenamiento reducido, cuya capacidad de generalización es comparable a la de una única SVM entrenada con todos los ejemplos.
 
This work aims to improve the automatic learning systems based on the generation of sets of predictors. As base algorithm, support vector machines will be used. Within supervised learning problems, this essay approaches binary classification problems. To achieve this objective, the functionality of the EnsembleSVM library has been extended. In this library, the diversity in the set is generated using resampling techniques, such as bagging and subbagging. The developed extension consists of incorporating an additional mechanism, in order to generate diversity among the predictors of the so-called “class-switching set”. This technique is based on inducing predictors from a data set, with noise injected randomly into the class labels. Once this additional functionality has been implemented, an empirical investigation of the efficiency is carried out. This is done regarding success rates and efficiency in one hand, and training time on the other. During training, different percentages of resampling and different percentages of noise injection in the classes are applied. During the test phase, a prediction within a set of SVMs will be proven not to improve the prediction error rate of a single SVM. This result confirms the observations done in previous works. In contrast, sets with a reduced training time can be generated applying subsampling techniques. The generalization capacity is comparable to a single trained SVM with all the examples.
 
Show full item record

Files in this item

Thumbnail
Name
salamanca_polo_luis_tfg.pdf
Size
1.474Mb
Format
PDF

Refworks Export

Delicious Save this on Delicious

Google™ Scholar:Salamanca Polo, Luis

This item appears in the following Collection(s)

  • Trabajos de estudiantes (tesis doctorales, TFMs, TFGs, etc.) [19235]

Related items

Showing items related by title, author, creator and subject.

  • Interfaces hombre-máquina mediante técnicas de seguimiento de ojos y reconocimiento de voz 

    Guerrero Santana, Esther
    2014-07
  • Métodos de entrenamiento de redes neuronales basados en inyección de ruido 

    Alvear Alonso-Villaverde, Juan
    2018-06
  • Un Framework para la generación automática de ejercicios mediante técnicas de mutación 

    Gómez Abajo, PabloAutoridad UAM
    2016-06
All the documents from Biblos-e Archivo are protected by copyrights. Some rights reserved.
Universidad Autónoma de Madrid. Biblioteca
Contact Us | Send Feedback
We are onFacebookCanal BiblosYouTubeTwitterPinterestWhatsappInstagram
 

 

All the documents from Biblos-e Archivo are protected by copyrights. Some rights reserved.
Universidad Autónoma de Madrid. Biblioteca
Contact Us | Send Feedback
We are onFacebookCanal BiblosYouTubeTwitterPinterestWhatsappInstagram