Aplicación de árboles de decisiones híbridos

[luis.negrete.g]

En este documento, se presentan dos algoritmos de minería híbrida independientes para mejorar la clasificación de índices de precisión del árbol de decisión (DT) y clasificadores de Bayes Naives (NB) para la clasificación de múltiples tipos de problemas.
Los clasificadores DT y NB son útiles, eficientes y se usan comúnmente para resolver problemas de clasificación en la minería de datos. Dada la presencia de instancias complicadas y contradictorias, en el training set puede generar que el árbol de decisiones generado sufra de sobreajuste y su precisión puede disminuir.

A través de los resultados experimentales, se concluyen que los métodos han producido resultados impresionantes en la clasificación de problemas desafiantes de múltiples clases en la vida real. También pueden extraer automáticamente los conjuntos de datos de entrenamiento (training set) más valiosos e identificar el atributos más efectivos para la descripción de instancias de bases de datos de entrenamiento complejas ruidosas con grandes dimensiones de atributos.