Nuevas propuestas en el ámbito de los Algoritmos Genéticos Distribuidos para la Extracción de Reglas Clasificación

Abstract

Esta investigación parte de la combinación de los modelos genéticos distribuidos con los modelos de genéticos aprendizaje de reglas para conseguir un modelo de aprendizaje distribuido escalable y flexible frente a conjuntos de datos no balanceados. Se ha desarrollado un nuevo algoritmo denominado EDGAR (Effícient Distributed Genetic Algorithm for Rule Extraction). Este Algoritmo genera clasificadores basados en reglas de alta calidad en precisión y tamaño . EDGAR combina la distribución de datos con modelos genéticos distribuidos para resolver problemas de alta cardinalidad y clases no balanceadas con resultados competitivos en el ámbito de los algoritmos genéticos de aprendizaje supervisado para la clasificación. Se han desarrollado mejoras especificas que permite el tratamiento directo de los conjuntos de datos con desbalanceo de clases y atributos numéricos continuos.

This research it is based on the combination of distributed genetic models with the genetic algorithms for rule learning in order to produce a distributed learning model flexible and scalable in the scenery of imbalanced datasets. A new algorithm has been developed named EDGAR (Efficient Distributed Genetic Algorithm for Rule Extraction). This algorithm produces high quality rule classifiers in accuracy and size. EDGAR combines data distribution with genetic distributed models in order to solve high dimensional data problems and imbalanced data problems with competitive results in the context of supervised genetic algorithm for classification . New techniques has been developed allowing this proposal to handle directly