clasificaci´on mediante conjuntos - Escuela Politécnica Superior

102 CAPÍTULO 5. ORDEN DE AGREGACIÓN Y PODA EN BAGGINGde hasta 6.8 puntos porcentuales (88.04 % → 94.83 % ) con respecto al conjunto completousando 3 de los modelos generados. Sin embargo, el subconjunto seleccionado tiene unporcentaje mayor de patrones rechazados que pasa de 1.64 % en el conjunto completo a4.72 % de los patrones para el subconjunto seleccionado siendo la mejora efectiva de ≈ 3.6puntos porcentuales. Estos resultados se obtuvieron en un dominio específico de clasificaciónde cultivos a partir de imágenes multiespectrales de satélite. En [Bakker y Heskes,2003] se aplica el algoritmo propuesto a dos problemas de regresión. En los experimentosrealizados consiguen reducir de 50 redes neuronales iniciales a entre 3 y 7 (dependiendo dela configuración de las redes) con resultados equivalentes o ligeramente mejores que los detodo el conjunto.En una serie de artículos publicados por Zhou et al. [Zhou et al., 2002; Zhou y Tang,2003] se aplican algoritmos genéticos (AG) para buscar el subconjunto óptimo de clasificadores.En estos trabajos se aplica AG para determinar las ponderaciones óptimas para losclasificadores base de un conjunto para reducir el error de clasificación. El AG utiliza uncromosoma con un esquema de coma flotante en que cada gen representa el peso de cadared neuronal dentro del conjunto. Se hace evolucionar una población de estos cromosomasnormalizando la suma de pesos dentro de cada cromosoma en cada generación. La idoneidadde cada cromosoma se evalúa con el inverso del error. El error se calcula mediantevoto ponderado de los clasificadores usando los pesos dados por el cromosoma. Una vezseleccionado el esquema de pesos del conjunto se seleccionan los clasificadores que superenel peso medio [Zhou et al., 2002]. Asimismo, este procedimiento lo aplican a conjuntosde árboles de decisión utilizando un esquema binario de donde se obtiene directamentequé clasificadores estarán en la selección final y cuáles no [Zhou y Tang, 2003]. Los experimentosse realizan con conjuntos pequeños (20 elementos) generados con bagging ypresentan una mejora tanto en el error de clasificación como en la reducción del tamañodel conjunto. No están claras las ventajas de utilizar AG para este problema, ya que dadoel reducido número de clasificadores del conjunto sería posible llevar a cabo una búsquedaexhaustiva para encontrar el subconjunto óptimo.En [Demir y Alpaydin, 2005] se introduce un factor de utilidad que tiene en cuentael coste de clasificar nuevas instancias y así seleccionar el subconjunto que maximiza lafunción utilidad en velocidad de clasificación y error.5.4. Algoritmos de ordenaciónEn esta sección se proporciona una descripción detallada de las reglas desarrolladas enesta tesis para la selección del orden de agregación de los clasificadores del conjunto. Eluso de estas reglas de ordenación permite mejorar el error de generalización de baggingmediante la selección de subconjuntos de clasificadores del conjunto original. Partiendode un subconjunto de tamaño u − 1, se obtiene uno de tamaño u añadiendo un nuevo