Resumen de Nuevos desarrollos en aprendizaje inductivo
Esta Tesis se encuadra dentro de la Inteligencia Artificial, Concretamente se centra en el aspecto del Aprendizaje, y dentro de este en un tema de gran actividad y con buenos resultados empiricos: el Aprendizaje Inductivo de Arboles de Decision.
Las principales aportaciones de esta Tesis son:
-Una formalizacion completa y rigurosa de los algoritmos de induccion de arboles de decisión, tambien conocidos como algoritmos TDIDT (Top Down Induction Decision Tree).
-Un nuevo metodo de aprendizaje denominado CIDIM (Control de Induccion por Division Muestral) que realiza poda adaptativa con control predictivo, y division automatica, dinamica y local de los atributos, todo ello por medio de una division muestral.
-Un nuevo metodo de aprendizaje denominado CIGES (Control de Induccion por Generalizacion Estimada). Tambien realiza poda adaptativa con control predictivo, pero utilizando una estimacion de la generalizacion por medio de validación cruzada por deciles en lugar de division muestral.
-Dos nuevas familias de medidas, Betas y Gammas, para la eleccion de atributos, que pueden usarse en cualquier algoritmos de inducción de arboles de decisión.
Tienen un calculo sencillo y sin logaritmos.
-Un nuevo algoritmo por votación basado en el CIDIM, el MultiCIDIM. Pertenece a un nuevo tipo de Bagging que hemos desarrollado y al que hemos denominado Fombagging.
-El algoritmo IADEM-0 (Induccion de Arboles de Decision por Muestreo).
Nuevo algoritmo de Descubrimeinto de Conocimiento en Bases de Datos o KDD(Knowledge Discovery in Databases). Es el primero que a partir de un conjunto muy grande de experiencias realiza, con cierta confianza y con un error menor que uno dado, la induccion de un arbol de decision, sin almacenar las experiencias que va muestreando.
Se han realizado más de dos mil doscientos experimentos de aprendizaje.
Se puede destacar que CIDIM funciona tan bien omejor que el C5, generando siempre menos reglas; que las n
