clasificaci´on mediante conjuntos - Escuela Politécnica Superior

3.3. RESULTADOS EXPERIMENTALES 630.320.3waveformConjunto IGPBagging CARTBoosting IGPBoosting CARTComites IGP0.280.26error0.240.220.20.180.160 10 20 30 40 50 60 70 80 90 100no. de clasificadoresFigura 3.8: Evolución del error con respecto al número de clasificadores para el Waveformpara todos los conjuntos de datos el método propuesto obtiene resultados mejores o similares.De hecho, de los 5 problemas estudiados el conjunto IGP tiene menor error en BreastCancer Wisconsin, German Credit y Waveform, y también en Sonar aunque en este últimocaso con menor margen. En Pima Indian Diabetes el resultado de ambos algoritmos es similar.Los valores-p de la prueba-t de Student pareada de dos colas entre ambos algoritmosy para distintos tamaños del conjunto de clasificadores se muestran en el cuadro 3.4 (valorescon valor-p < 0.005 están resaltados en negrita). Se puede observar que las diferenciasdel conjunto IGP con respecto a bagging CART son estadísticamente significativas (convalores-p de hasta 2.3e-12) en la mayoría de conjuntos de datos analizados. Otro hecho aresaltar es que las diferencias entre ambos algoritmos se consiguen en las primeras iteraciones(T = 9) y se mantiene al añadir más clasificadores (ver figuras 3.6 (gráfico superior),3.7 (gráfico superior) y 3.8).Este funcionamiento generalmente mejor del método propuesto conjunto IGP sobrebagging CART puede ser debido al hecho de que en el conjunto IGP cada clasificador seconstruye utilizando todos los datos en vez de con el 62.3 % de los datos como en bagging.Comparando boosting IGP y boosting CART se puede ver que el conjunto basado enCART obtiene mejores resultados en los problemas analizados. Comparando los conjuntosbasados en boosting y los basados en bagging se ve que, en general, los algoritmos basados