El repositorio ya se encuentra disponible para continuar trabajando. Disculpen las molestias.

 

Aplicación del algoritmo Boosting Adaptativo (ADABOOST) a un problema de clasificación automática de textos

Vista sencilla de ítem
dc.citation.titleRevista de Epistemología y Ciencias Humanases
dc.creatorBarbona, Ivana
dc.creatorBeltrán, Celina
dc.date.accessioned2019-03-22T14:55:56Z
dc.date.available2019-03-22T14:55:56Z
dc.date.issued2018
dc.descriptionBoosting es un método que pretende mejorar el desempeño de cualquier algoritmo de aprendizaje supervisado mediante la combinación de los resultados de varios clasificadores débiles o de base para obtener un clasificador final robusto. Una de las técnicas más populares de Boosting es el algoritmo Boosting Adaptativo (AdaBoost). Este algoritmo, mediante un entrenamiento iterativo de los clasificadores débiles o de base, le asigna mayor importancia a los datos mal clasificados anteriormente, y de esta manera obtiene un nuevo clasificador. Logra, de esta forma, adaptarse y obtener mejores resultados aumentando la precisión del algoritmo. En el presente trabajo, con el objetivo de evaluar el desempeño del algoritmo AdaBoost, se aplican los métodos de clasificación Regresión Logística y SMO (Sequential minimal optimization), con y sin el algoritmo AdaBoost a un conjunto de textos. Luego, se comparan los resultados obtenidos de los métodos de clasificación al considerarse solos, con los resultados al considerarlos como algoritmo de base para AdaBoost. El criterio de clasificación utilizado fue el género al que pertenece el texto (Científico / No Científico). La caracterización de los textos está basada en la distribución de frecuencias de las categorías morfo-sintácticas. Los resultados finales de los distintos clasificadores considerados se evalúan mediante porcentajes de mala clasificación. Se observó que al aplicar AdaBoost teniendo en cuenta como algoritmo de base el método de Regresión Logística no se presentó una reducción en el porcentaje de mala clasificación. En cambio, para el caso del método SMO como algoritmo de base, el porcentaje de mala clasificación bajó un 8,67%.es
dc.description.filFil: Barbona, Ivana. Universidad Nacional de Rosario. Facultad de Ciencias Agrarias; Argentinaes
dc.formatapplication/pdf
dc.format.extent37-44es
dc.identifier.issn1852-625Xes
dc.identifier.urihttp://hdl.handle.net/2133/14282
dc.language.isospaes
dc.publisherGrupo IANUSes
dc.rightsopenAccesses
dc.subjectsupportes
dc.subjectvectores
dc.subjectmachinees
dc.subjectlearninges
dc.titleAplicación del algoritmo Boosting Adaptativo (ADABOOST) a un problema de clasificación automática de textoses
dc.typearticle
dc.typeartículo
dc.typepublishedVersion
dc.type.collectionarticulo

Archivos

Bloque original
Mostrando 1 - 1 de 1
Miniatura
Nombre:
revistaepistemologi.com.ar-r10-03.-barbona-beltran-.pdf
Tamaño:
531.44 KB
Formato:
Adobe Portable Document Format
Descripción:
Descargar
Bloque de licencias
Mostrando 1 - 1 de 1
Nombre:
license.txt
Tamaño:
7.18 KB
Formato:
Item-specific license agreed upon to submission
Descripción:
Descargar

Colecciones

FCA - Artículo de Revista con Referato