Por favor, use este identificador para citar o enlazar este ítem: http://repositorio.uteq.edu.ec/handle/43000/128
Título : Aprendizaje estructural de redes bayesianas utilizando la meta-heurística optimización basada en mallas variables(Vmo)
Autor : Puris Cáceres, Amilkar Yudier
Palabras clave : Redes ayesianas
Meta-heurística
Mallas variables (Vmo)
Fecha de publicación : 2015
Editorial : Quevedo: UTEQ
Citación : Moreira Zamora Luis Enrique (2015).Aprendizaje estructural de redes bayesianas utilizando la meta-heurística optimización basada en mallas variables (Vmo) . Quevedo.UTEQ. 101 p.
Resumen : En este trabajo se presenta el estudio de la meta-heurística Optimización Basada en Mallas Variables (VMO) para el entrenamiento estructural de Redes Bayesianas. El algoritmo VMO propone dos operadores principales, expansión y contracción de una malla de soluciones, la cual se encarga de realizar la exploración del espacio de búsqueda. Estos operadores fueron rediseñados para ajustarlos al entrenamiento de redes bayesianas. Para el operador de expansión se estudiaron dos formas de generación de nuevas redes basados en operaciones entre conjuntos y para el caso de la construcción se estudiaron dos formas de selección; elitista y por representatividad. Los resultados obtenidos luego de realizar un ajuste de los parámetros de VMO se compararon con varios de los clasificadores bayesianos más utilizados en la literatura, donde se obtuvieron resultados significativamente superiores en cuanto a calidad de clasificación. El algoritmo VMO fue incorporado dentro del software Elvira, el cual fue seleccionado debido a su gran capacidad para el manejo de redes bayesianas y sobre todo por ser de código fuente abierto. Se utilizaron algunas de las clases principales y se crearon nuevas clases que funcionan acorde a las distintas necesidades funcionales del algoritmo.
Descripción : In this work the study of meta-heuristic optimization Meshes Based Variables (VMO) for structural training Bayesian networks is presented. The VMO algorithm proposes two main operators, expansion and contraction of mesh solutions, which is responsible for conducting the exploration of the search space. These operators were redesigned to fit the training of Bayesian networks. Expansion operator two forms new generation networks based operations between sets and for the case of construction selection studied two forms were studied; elitist and representativeness. The results obtained after adjustment parameters VMO compared with several of Bayesian classifiers commonly used in the literature, which significantly superior results were obtained for quality classification. The VMO algorithm was incorporated into the, which was selected because of its great capacity for handling Bayesian networks and especially for being open source software Elvira. We used some of the main classes and new classes that operate according to different functional needs of the algorithm are created.
URI : http://repositorio.uteq.edu.ec/handle/43000/128
Aparece en las colecciones: Tesis de Pregrado - Ingeniería en Sistemas

Ficheros en este ítem:
Fichero Descripción Tamaño Formato  
T-UTEQ-0008.pdf1,42 MBAdobe PDFVista previa
Visualizar/Abrir


Este ítem está sujeto a una licencia Creative Commons Licencia Creative Commons Creative Commons