Show simple item record

dc.contributor.authorSánchez Garreta, José Salvador
dc.contributor.authorPla, Filiberto
dc.contributor.authorPascual, Damaris
dc.contributor.authorVázquez, Fernando D.
dc.date.accessioned2015-09-15T10:20:34Z
dc.date.available2015-09-15T10:20:34Z
dc.date.issued2014
dc.identifier.citationPASCUAL 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. 37ca_CA
dc.identifier.issn0120-6230
dc.identifier.urihttp://hdl.handle.net/10234/132265
dc.description.abstractA 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 ruidoca_CA
dc.description.abstractOften, 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 processca_CA
dc.format.extent11 p.ca_CA
dc.format.mimetypeapplication/pdfca_CA
dc.language.isospaca_CA
dc.publisherUniversidad de Antioquiaca_CA
dc.subjectconcept driftca_CA
dc.subjectflujo de datosca_CA
dc.subjectdatos no etiquetadosca_CA
dc.subjectlimpieza de ruidoca_CA
dc.subjectdata streamsca_CA
dc.subjectunlabeled dataca_CA
dc.subjectnoise cleaningca_CA
dc.titleDetección de ruido en aprendizaje semisupervisado con el uso de flujos de datosca_CA
dc.typeinfo:eu-repo/semantics/articleca_CA
dc.rights.accessRightsinfo:eu-repo/semantics/openAccessca_CA
dc.relation.publisherVersionhttp://aprendeenlinea.udea.edu.co/revistas/index.php/ingenieria/article/view/14514/16702ca_CA


Files in this item

Thumbnail

This item appears in the following Collection(s)

Show simple item record