Una revisión de las técnicas de clasificación supervisada en la clasificación automática de textos

Vista sencilla de ítem
dc.citation.titleRevista de epistemología y ciencias humanases
dc.citation.volumeAÑO 2017 NUMERO 9es
dc.creatorBeltrán, Celina
dc.creatorBarbona, Ivana
dc.date.accessioned2018-12-11T14:02:37Z
dc.date.available2018-12-11T14:02:37Z
dc.date.issued2017
dc.descriptionEl presente artículo es una revisión de tema cuyo objetivo es el examen de técnicas de análisis multivariado usadas para clasificar unidades. En este trabajo se compara el desempeño de los métodos de clasificación: Vecino más Cercano, Sistema Bagging, Árboles de Clasificación, Support Vector Machine, Sequential Minimal Optimization, Regresión Logística, Redes Neuronales y Análisis Discriminante. Para todos los métodos se presenta su funcionalidad y desmpeño en la clasificación de textos describiendo cómo es posible utilizarlos para clasificar y eventualmente caracterizar textos de distintos géneros o disciplinas. El criterio de clasificación es 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 textos se clasificaron teniendo en cuenta simultáneamente las mediciones realizadas sobre ellos. Se considera como medida para la comparación entre métodos el error de mala clasificación calculada sobre una muestra de textos no incluidos en el proceso de construcción de la regla de clasificación. De los métodos aplicados, Redes Neuronales presenta el mejor desempeño (3% de mala clasificación). El siguiente en buen desempeño es el del Vecino más Cercano (13% de mala clasificación) teniendo como principales ventajas la simpleza de su aplicación y la estabilidad de su comportamiento. También presentaron desempeños aceptables los métodos Árboles de Clasificación (14% de mala clasificación) y Análisis Discriminante Cuadrático (16,67 % de mala clasificación). Cabe destacar, que debido que los grupos presentan estructuras de covariancias distintas, es de esperar que el Análisis Discriminante Cuadrático clasifique mejor que el Análisis Discriminante Lineal (18% de mala clasificación). Por otro lado, no es posible conocer en de qué manera afecta la presencia de estructuras de covariancias distintas entre los grupos para los métodos restantes.es
dc.description.filFacultad de Ciencias Agrarias. UNRes
dc.formatapplication/pdf
dc.format.extent78-90es
dc.identifier.issn1852-625Xes
dc.identifier.urihttp://hdl.handle.net/2133/13776
dc.language.isospaes
dc.publisherGrupo IANUSes
dc.relation.publisherversionhttps://www.revistaepistemologi.com.ar/es
dc.rightsopenAccesses
dc.rights.holderAutoreses
dc.subjectClasificaciónes
dc.subjectSupervisadaes
dc.subjectTextoses
dc.titleUna revisión de las técnicas de clasificación supervisada en la clasificación automática de textoses
dc.typearticle
dc.typeartículo
dc.typepublishedVersion
dc.type.collectionarticulo
dc.type.versionpublishedVersiones

Archivos

Bloque original
Mostrando 1 - 1 de 1
Miniatura
Nombre:
trabajo de rev epist_r09-6.-beltran-barbona.pdf
Tamaño:
366.33 KB
Formato:
Adobe Portable Document Format
Descripción:
Descargar
Bloque de licencias
Mostrando 1 - 1 de 1
Nombre:
license.txt
Tamaño:
3.59 KB
Formato:
Item-specific license agreed upon to submission
Descripción:
Descargar

Colecciones

FCA - Artículo de Revista con Referato