Resumen

La baza más importante de los métodos de clasificación semisupervisada es el uso de los datos disponibles sin etiquetar, combinados con un conjunto claramente menor de ejemplos etiquetados, con el fin de aumentar la precisión de la clasificación en comparación con el procedimiento por defecto de los métodos supervisados, que, por otra parte, sólo utilizan los datos etiquetados durante la fase de entrenamiento. Tanto la ausencia de mecanismos automatizados que produzcan datos etiquetados como el alto coste del esfuerzo humano necesario para completar el procedimiento de etiquetado en varios dominios científicos hacen que surja la necesidad de métodos semisupervisados que contrarresten este fenómeno. En este trabajo, se presenta un algoritmo auto-entrenado de Árboles Modelo Logísticos (LMT), que combina las características de los Árboles Logísticos bajo el escenario de escasos datos etiquetados disponibles. Realizamos una comparación en profundidad con otros métodos de clasificación semisupervisada bien conocidos en conjuntos de datos de referencia estándar y finalmente llegamos al punto de que la técnica presentada tenía mejor precisión en la mayoría de los casos.

• Materias:Inteligencia artificial Minería de datos Algoritmos genéticos Cerebro - fisiopatología Neurociencia Cognitiva
• Subjects:Artificial intelligence Data mining Genetic algorithms Brain - pathophysiology Cognitive Neuroscience
• Palabras claves:métodos de clasificación semisupervisada, datos disponibles sin etiquetar, árbol del modelo logístico, esfuerzo humano necesario, varios dominios científicos, conjuntos de datos de referencia estándar, datos etiquetados disponibles, características de la logística, procedimientos de etiquetado, modelo logístico entrenado
• Keywords:semisupervised classification methods, available unlabeled data, logistic model tree, needed human effort, several scientific domain, standard benchmark datasets, available labeled data, characteristics of logistic, procedures of labelization, trained logistic model