Please use this identifier to cite or link to this item: https://hdl.handle.net/10953/879
Full metadata record
DC FieldValueLanguage
dc.contributor.advisorCANO-DE-AMO, JOSÉ-RAMÓN-
dc.contributor.advisorGARCÍA-LÓPEZ, SALVADOR-
dc.contributor.authorGARCÍA-FERNÁNDEZ, JAVIER-
dc.contributor.otherUniversidad de Jaén. Departamento de Informáticaes_ES
dc.date.accessioned2018-07-05T07:56:48Z-
dc.date.available2018-07-05T07:56:48Z-
dc.date.issued2018-
dc.date.submitted2017-02-08-
dc.identifier.citationp.[http://hdl.handle.net/10953/]es_ES
dc.identifier.isbn978849159es_ES
dc.identifier.urihttp://hdl.handle.net/10953/879-
dc.description.abstractEn los problemas de clasificación supervisada, el atributo respuesta depende de determinados atributos de entrada explicativos. En muchos problemas reales el atributo respuesta está representado por valores ordinales que deberían incrementarse cuando algunos de los atributos explicativos de entrada también lo hacen. Estos son los llamados problemas de clasificación con restricciones monotónicas. En esta Tesis, hemos revisado los clasificadores monotónicos propuestos en la literatura y hemos formalizado la teoría del aprendizaje basado en ejemplos anidados generalizados para abordar la clasificación monotónica. Propusimos dos algoritmos, un primer algoritmos voraz, que require de datos monotónicos y otro basado en algoritmos evolutivos, que es capaz de abordar datos imperfectos que presentan violaciones monotónicas entre las instancias. Ambos mejoran el acierto, el índice de no-monotonicidad de las predicciones y la simplicidad de los modelos sobre el estado-del-arte.es_ES
dc.description.abstractIn supervised prediction problems, the response attribute depends on certain explanatory attributes. Some real problems require the response attribute to represent ordinal values that should increase with some of the explaining attributes. They are called classification problems with monotonicity constraints. In this thesis, we have reviewed the monotonic classifiers proposed in the literature and we have formalized the nested generalized exemplar learning theory to tackle monotonic classification. Two algorithms were proposed, a first greedy one, which require monotonic data and an evolutionary based algorithm, which is able to address imperfect data with monotonic violations present among the instances. Both improve the accuracy, the non-monotinic index of predictions and the simplicity of models over the state-of-the-art.es_ES
dc.description.sponsorshipTesis Univ. Jaén. Departamento INFORMÁTICAes_ES
dc.language.isospaes_ES
dc.publisherJaén : Universidad de Jaénes_ES
dc.rightsLicencia Reconocimiento-NoComercial-SinObraDerivada 3.0 Españaes_ES
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/3.0/es/es_ES
dc.subjectClasificación monotónicaes_ES
dc.subjectAprendizaje basado en Instanciases_ES
dc.subjectInducción de reglases_ES
dc.subjectEjemplos generalizados anidadoses_ES
dc.subjectAlgoritmos evolutivoses_ES
dc.titleModelos híbridos de aprendizaje basados en instancias y reglas para Clasificación Monotónicaes_ES
dc.typeinfo:eu-repo/semantics/doctoralThesises_ES
europeana.type.TEXTTEXTes_ES
dc.subject.udc120304es_ES
dc.subject.udc120315es_ES
europeana.dataProviderUniversidad de Jaén. Españaes_ES
europeana.rightshttp://creativecommons.org/licenses/by-nc-nd/3.0/es/es_ES
dc.rights.accessRightsinfo:eu-repo/semantics/openAccesses_ES
Appears in Collections:Tesis

Files in This Item:
File Description SizeFormat 
Tesis_Javier_Garcia_Fernandez_26482627J.pdf2,18 MBAdobe PDFThumbnail
View/Open


This item is protected by original copyright