clasificaci´on mediante conjuntos - Escuela Politécnica Superior

5.4. ALGORITMOS DE ORDENACIÓN 1171. Seleccionar el mejor subconjunto aplicando AG.2. Aplicar el algoritmo de reducción de error.3. Seleccionar el mejor subconjunto aplicando AG incluyendo en la población originaldos cromosomas con la mejor solución obtenida en el paso 2.Los resultados de estas pruebas se muestran en los cuadros 5.2 y 5.3 para los conjuntosde Pima Indian Diabetes y Waveform respectivamente. Estos cuadros muestran el errormedio alcanzado en entrenamiento y test, y el número medio de clasificadores seleccionadospara las diferentes inicializaciones: inicialización diagonal (mostrado como “AG”)e inicialización con la solución dada por el método de reducción de error (“AG-RE”). Lasolución obtenida con el algoritmo de reducción de error, esto es, la que alcanza menorerror en entrenamiento también se muestra en el cuadro en la columna “RE”.Cuadro 5.2: Resultados para Pima Indian Diabetes usando AG y reducción de errorBagging AG RE AG-REEntrenamiento 20.8 13.0 10.3 10.3Test 24.9 26.0 25.3 25.3No. árboles 200 8.5 10.4 10.4Cuadro 5.3: Resultados para Waveform usando AG y reducción de errorBagging AG RE AG-REEntrenamiento 10.5 1.28 0.607 0.557Test 22.8 20.0 20.2 20.0No. árboles 200 47.7 35.0 39.0De los cuadros 5.2 y 5.3 se puede observar que:El algoritmo codicioso de reducción de error obtiene menor error en entrenamientopara ambos conjuntos que el AG que comienza su proceso de optimización con unapoblación de individuos cada uno de los cuales correspondiente a un conjunto distintocon un único clasificador (inicialización diagonal).Mejoras muy pequeñas o incluso ninguna mejora en absoluto se obtienen cuando seinicializa el AG con la solución dada por el método de reducción de error. En unasola de las 100 ejecuciones de Pima Indian Diabetes el AG fue capaz de incrementarla reducción del error de entrenamiento. Esto se logró en 13 de las 100 ejecuciones