Detección de ruido en aprendizaje semisupervisado con el uso de flujos de datos
Ver/ Abrir
Impacto
Scholar |
Otros documentos de la autoría: Sánchez Garreta, Josep Salvador; Pla, Filiberto; Pascual, Damaris; Vázquez, Fernando D.
Metadatos
Mostrar el registro completo del ítemcomunitat-uji-handle:10234/9
comunitat-uji-handle2:10234/43662
comunitat-uji-handle3:10234/43643
comunitat-uji-handle4:
INVESTIGACIONMetadatos
Título
Detección de ruido en aprendizaje semisupervisado con el uso de flujos de datosFecha de publicación
2014Editor
Universidad de AntioquiaISSN
0120-6230Cita bibliográfica
PASCUAL GONZÁLEZ, Damaris, et al. Detección de ruido en aprendizaje semi-supervisado con el uso de flujos de datos Noise detection in semi-supervised learning with the use of data streams. Revista Facultad de Ingeniería Universidad de Antioquia, 2014, no 71, p. 37Tipo de documento
info:eu-repo/semantics/articleVersión de la editorial
http://aprendeenlinea.udea.edu.co/revistas/index.php/ingenieria/article/view/145 ...Versión
info:eu-repo/semantics/publishedVersionPalabras clave / Materias
Resumen
A menudo, es necesario construir conjuntos de entrenamiento. Si disponemos
solamente de un número reducido de objetos etiquetados y de un conjunto
numeroso de objetos no etiquetados, podemos construir el conjunto ... [+]
A menudo, es necesario construir conjuntos de entrenamiento. Si disponemos
solamente de un número reducido de objetos etiquetados y de un conjunto
numeroso de objetos no etiquetados, podemos construir el conjunto de
entrenamiento simulando un flujo de datos no etiquetados de los cuales es
necesario aprender para poder incorporarlos al conjunto de entrenamiento.
Con el objetivo de prevenir que se deterioren los conjuntos de entrenamiento
que se obtienen, en este trabajo se propone un esquema que tiene en cuenta
el concept drift, ya que en muchas situaciones la distribución de las clases
puede cambiar con el tiempo. Para clasificar los objetos no etiquetados hemos
empleado un ensemble de clasificadores y proponemos una estrategia para
detectar el ruido [-]
Often, it is necessary to construct training sets. If we have only a small
number of tagged objects and a large group of unlabeled objects, we can build
the training set simulating a data stream of unlabelled objects ... [+]
Often, it is necessary to construct training sets. If we have only a small
number of tagged objects and a large group of unlabeled objects, we can build
the training set simulating a data stream of unlabelled objects from which it
is necessary to learn and to incorporate them to the training set later. In order
to prevent deterioration of the training set obtained, in this work we propose
a scheme that takes into account the concept drift, since in many situations the distribution of classes may change over time. To classify the unlabelled
objects we have used an ensemble of classifiers and we propose a strategy to
detect the noise after the classification process [-]
Derechos de acceso
http://rightsstatements.org/vocab/CNE/1.0/
info:eu-repo/semantics/openAccess
info:eu-repo/semantics/openAccess
Aparece en las colecciones
- INIT_Articles [754]