Ir al contenido

Documat


Algoritmos genéticos aplicados a la clasificación no supervisada

  • Autores: José Antonio Lozano Alonso Árbol académico
  • Directores de la Tesis: Pedro Larrañaga Múgica (dir. tes.) Árbol académico
  • Lectura: En la Universidad del País Vasco - Euskal Herriko Unibertsitatea ( España ) en 1998
  • Idioma: español
  • Tribunal Calificador de la Tesis: Francisco Javier Torrealdea Folgado (presid.) Árbol académico, Arantza Illarramendi Echave (secret.) Árbol académico, Serafín Moral Callejón (voc.) Árbol académico, Francisco Herrera Triguero (voc.) Árbol académico, Carles Capdevila Marqués (voc.) Árbol académico
  • Texto completo no disponible (Saber más ...)
  • Resumen
    • La clasificación no supervisada (CNS) (en inglés clustering), trata de, dado un conjunto de datos, hallar la estructura de grupos subyacente a dicho conjunto de datos, Esta tarea es, por un lado particularmente interesante en campos de la ciencia, donde la experimentación y por lo tanto la recogida y análisis de datos es fundamental, como es el caso de la biología o las ciencias sociales, y por otro, dentro de las nuevas tecnologías, en el campo de lo que se está comenzando a llamar "data mining". Esto último consiste en el análisis de la gran cantidad de datos recogidos en las bases de datos de las empresas.

      Los Algoritmos Genéticos (AAGG) son una técnica de optimización estocástica proveniente de la Inteligencia Artificial. Esta técnica, intenta simular el proceso de evolución de las poblaciones en la naturaleza siguiendo los postulados de Darwin: evolución de las especies por medio de la reproducción y la mutación y supervivencia de los más adaptados. Los AAGG han venido aplicándose en los últimos años, a problemas de optimización combinatoria obteniéndose unos resultados sorprendentes.

      En esta memoria se aplican los AAGG a la CNS. Se han elegido tres tipos de clasificaciones diferentes para medir la validez de los AAGG de cara a su utilización en CNS. Estos tres tipos son: clasificación particional, clasificación jerárquica y clasificación piramidal. En los tres tipos de clasificaciones se usaron los AAGG para hallar la clasificación óptima para un conjunto de datos.

      Para medir la efectividad de los algoritmos desarrollados se llevaron a cabo varios experimentos con diferentes conjuntos de datos, obteniéndose resultados muy satisfactorios. Además se llevo a cabo un estudio estadístico, para medir la efectividad de los diferentes operadores de cruce y mutación utilizados en los AAGG.

      Por otro lado el estudio de los AAGG ha conducido al planteamiento de un nuevo algoritmo, el cual puede


Fundación Dialnet

Mi Documat

Opciones de tesis

Opciones de compartir

Opciones de entorno