Ir al contenido

Documat

Evaluación de proyectos usando sistemas basados en algoritmos genéticos de aprendizaje de reglas

  • Alain Guerrero Enamorado [1] ; Iliana Pérez Pupo [1] ; Sebastián Ventura [2] Árbol académico ; Carlos Morell [3] ; Pedro Yobanis Piñero Pérez [1]
    1. [1] Universidad de las Ciencias Informáticas

      Universidad de las Ciencias Informáticas

      Cuba

    2. [2] Universidad de Córdoba

      Universidad de Córdoba

      Cordoba, España

    3. [3] Universidad Central de Las Villas

      Universidad Central de Las Villas

      Cuba

    Mostrar afiliaciones +
  • Localización: Revista Cubana de Ciencias Informáticas, ISSN-e 2227-1899, Vol. 11, Nº. 4, 2017
  • Idioma: español
  • Títulos paralelos:
    • Evaluation of Projects by using Genetic Rules Based Systems
  • Enlaces
  • Resumen
    • español

      En el presente trabajo se evalúa el comportamiento del algoritmo evolutivo MCGEP en diferentes versiones de una base de datos con información sobre la evaluación de proyectos informáticos. La idea fundamental del trabajo es evaluar la posibilidad de aplicación de un algoritmo evolutivo que utiliza programación de expresiones genéticas frente a otros siete algoritmos muy utilizados del estado del arte. Los algoritmos utilizados en la evaluación son capaces de generar modelos de clasificación interpretables utilizando técnicas evolutivas para obtenerlos. Los experimentos se realizaron en cinco versiones creadas a partir de un repositorio de datos con información sobre la evaluación de proyectos. Se logró mostrar como el algoritmo MCGEP queda en primer lugar entre los algoritmos comparados para la métrica de exactitud predictiva, además mejora significativamente a la mayoría de estos algoritmos en esta métrica. Por otro lado, la complejidad de los modelos que genera para lograr estos resultados no es demasiado elevada por lo cual MCGEP sobresale junto al algoritmo GASSIST como los más balanceados si se tienen en cuenta ambas métricas al mismo tiempo. Como valor añadido se aprovecha la capacidad de selección de atributos implícita que tiene este tipo de técnicas para sacar algunas conclusiones sobre cuáles son los indicadores de medición que más influyen en la evaluación de un proyecto y cuál o cuáles indicadores permiten detectar a tiempo que un proyecto no logrará una buena evaluación al finalizar.

    • English

      In the present work is assessed the behavior of the evolutionary algorithm MCGEP in different versions of a project management database which contains information for projects evaluation. The main idea of this work is to confirm the possibility of applying an evolutionary algorithm that uses genetic expression programming in front of seven other widely used algorithms in the state of the art. The algorithms used in the assess are able to generate interpretable classification models, using evolutionary techniques to obtain them. The experiments were carried out in five versions created from the database with information of the projects evaluation. The MCGEP algorithm achieves the first among the algorithms compared for the predictive accuracy metric; also, it significantly improves the majority of these algorithms for this metric. On the other hand, the complexity of the generated models was acceptable to achieve these results, so MCGEP and GASSIST algorithms excel as the most balanced if both metrics are taken into account at the same time. As value added, we take advantage of the implicit process of feature selection capability that have these kinds of techniques. With this, we draw some conclusions about which are the measurement indicators that most influence the evaluation of a project and which indicators can detect in time which project will not achieve a good evaluation when finalized.

  • Referencias bibliográficas
    • ALCALÁ-FDEZ, JESÚS. (2011). KEEL Data-Mining Software Tool: Data Set Repository, Integration of Algorithms and Experimental Analysis Framework....
    • BACARDIT, JAUME. (2004). Pittsburgh genetic-based machine learning in the data mining era: representations and generalization and run-time....
    • BERNADÓ-MANSILLA, ESTER,ORRIOLS-PUIG, ALBERT,CASILLAS, JORGE. (2008). Genetic-based machine learning systems are competitive for pattern recognition....
    • BERNADÓ-MANSILLA, ESTER,GARRELL-GUIU, JOSEP MARIA. (2003). Accuracy-based Learning Classifier Systems: Models, Analysis and Applications to...
    • BOJARCZUK, CELIA CRISTINA,LOPES, HEITOR SILVÉRIO,FREITAS, ALEX ALVES,MICHALKIEWICZ, EDSON LUIZ A.. (2004). Constrained-syntax Genetic Programming...
    • CANO, ALBERTO,AMELIA, ZAFRA,VENTURA, SEBASTIÁN. (2013). An interpretable classification rule mining algorithm. 240. 1-20
    • CASTRO AGUILAR, GILBERTO FERNANDO. Método para el aseguramiento de ingresos en entornos de desarrollo de software. Revista Cubana de Ciencias...
    • CORDERO MORALES, DASIEL. (2013). Sistema de Razonamiento Basado en Casos para la identificación de riesgos de software. Revista Cubana de...
    • DERRAC, JOAQUÍN. (2011). A practical tutorial on the use of nonparametric statistical test as a methodology for comparing evolutionary and...
    • DOMINGOS, PEDRO,PAZZANI, MICHAEL. (1997). On the Optimality of the Simple Bayesian Classifier Under Zero-One Loss. Kluwer Academic Publishers....
    • ESPEJO, PEDRO G.,VENTURA, SEBASTIÁN,HERRERA, FRANCISCO. (2009). A Survey on the Application of Genetic Programming to Classification. Applications...
    • FERREIRA, CÂNDIDA. (2006). Gene Expression Programming: Mathematical Modeling by an Artificial Intelligence.. 2. Springer.
    • GARCÍA-VACACELA, ROBERTO. (2016). Experiencias usando algoritmos genéticos en la planificación de proyectos. Revista Cubana de Ciencias Informáticas.....
    • GONZÁLEZ, ANTONIO,PÉREZ, RAÚL. (1999). SLAVE: A Genetic Learning System Based on an Iterative Approach. IEEE Press.
    • GUERRERO-ENAMORADO, ALAIN. An algorithm evaluation for discovering classification rules with gene expression programming. 2016.
    • MARÍN-SÁNCHEZ, JACQUELINE. (2014). Proceso para la planificación y control de proyectos de software utilizando Xedro-GESPRO. Revista Cubana...
    • MCCLELLAND, JAMES L.,RUMELHART, DAVID E. (1986). Research Group Parallel Distributed Processing: Explorations in the Microstructure of Cognition....
    • OLMO ORTIZ, JUAN LUIS. (2013). Minería de Datos mediante Programación Automática con Colonias de Hormigas. Universidad de Córdoba. ^eCórdoba...
    • ORRIOLS-PUIG, ALBERT,CASILLAS, JORGE,BERNADÓ-MANSILLA, ESTER. Genetic-based machine learning systems are competitive for pattern recognition....
    • OTERO, JOSÉ,SÁNCHEZ, LUCIANO. (2006). Induction of descriptive fuzzy classifiers with the Logitboost algorithm. Springer-Verlag.
    • PIÑERO PÉREZ, PEDRO Y.. (2016). Repositorio para el desarrollo de investigaciones en Gestión de Proyectos.
    • TAN, K. C.,YU, Q,ANG, J. H. A. (2006). coevolutionary algorithm for rules discovery in data mining. 12.
    • TAN KAY, CHEN,TAY, ARTHUR,TONG HENG, LEE,HENG, C. M.. (2002). Mining multiple comprehensible classification rules using genetic programming....
    • (2014). THE STANDISH GROUP INTERNATIONAL CHAOS REPORT Informe. The Standish Group International, Inc,. ^eNew York New York.
    • VAPNIK, VLADIMIR NAUMOVICH. (1995). The nature of Statistical Learning Theory. Springer-Verlag. ^eNew York New York.
    • VENTURA, SEBASTIÁN,ROMERO, CRISTÓBAL,ZAFRA, AMELIA,DELGADO, JOSÉ Y A.,HERVÁS, CÉSAR. (2008). JCLEC: A Java Framework for Evolutionary Computation....
    • WITTEN, IAN H.,EIBE, FRANK,HALL, MARK A.. (2011). Data Mining. Practical Machine Learning Tools and Techniques. Elsevier Inc..
Los metadatos del artículo han sido obtenidos de SciELO Cuba
Fundación Dialnet

Mi Documat

Opciones de artículo

Opciones de compartir

Opciones de entorno