Towards an improved classification model based on deep Learning and nearest rules strategy

Abstract

In this paper we present a comparison between two improved approaches i.e. hybrid rules-based method with a proposed wrapper and nearest rule strategy, deep principal component analysis. We also perform several experiments with an analysis dataset from a distance learning platform. Several classifiers were developed to compare the performance of the proposed approaches, using accuracy, TP rate, F measure, PRC area, MCC, precision, recall and receiver operating characteristics area (AROC) as metrics. The result confirms the utility of these algorithms for classification and shows clearly the superiority of our approaches

En este artículo presentamos una comparación entre dos enfoques mejorados, es decir, un método híbrido basado en reglas con una envoltura propuesta y una estrategia de reglas más cercana, análisis profundo de componentes principales. También realizamos varios experimentos con un conjunto de datos de análisis desde una plataforma de aprendizaje a distancia. Se desarrollaron varios clasificadores para comparar el rendimiento de los enfoques propuestos, utilizando la precisión, la tasa de TP, la medida de F, el área de PRC, el MCC, la precisión, la recuperación y el área de características operativas del receptor (AROC) como métricas. El resultado confirma la utilidad de estos algoritmos para la clasificación y muestra claramente la superioridad de nuestros enfoques