| Título : |
Recent Advances in Ensembles for Feature Selection |
| Tipo de documento: |
documento electrónico |
| Autores: |
Bolón-Canedo, Verónica, Autor ; Alonso-Betanzos, Amparo, Autor |
| Mención de edición: |
1 ed. |
| Editorial: |
[s.l.] : Springer |
| Fecha de publicación: |
2018 |
| Número de páginas: |
XIV, 205 p. 39 ilustraciones, 36 ilustraciones en color. |
| ISBN/ISSN/DL: |
978-3-319-90080-3 |
| Nota general: |
Libro disponible en la plataforma SpringerLink. Descarga y lectura en formatos PDF, HTML y ePub. Descarga completa o por capítulos. |
| Palabras clave: |
Inteligencia Computacional Inteligencia artificial Sistemas de reconocimiento de patrones Reconocimiento de patrones automatizado |
| Índice Dewey: |
006.3 Inteligencia artificial |
| Resumen: |
Este libro ofrece una descripción general completa del aprendizaje conjunto en el campo de la selección de características (FS), que consiste en combinar la salida de múltiples métodos para obtener mejores resultados que cualquier método único. Revisa varias técnicas para combinar resultados parciales, medir la diversidad y evaluar el desempeño del conjunto. Con la llegada de Big Data, la selección de características (FS) se ha vuelto más necesaria que nunca para lograr la reducción de dimensionalidad. Con tantos métodos disponibles, es difícil elegir el más apropiado para un entorno determinado, lo que hace que el paradigma conjunto sea una alternativa interesante. Los autores primero se centran en los fundamentos del aprendizaje en conjunto y los enfoques clásicos, antes de profundizar en los aspectos específicos de los conjuntos para FS, como la combinación de resultados parciales, la medición de la diversidad y la evaluación del desempeño del conjunto. Por último, el libro muestra ejemplos de aplicaciones exitosas de conjuntos para FS e introduce los nuevos desafíos que enfrentan ahora los investigadores. Como tal, el libro ofrece una guía valiosa para todos los profesionales, investigadores y estudiantes de posgrado en las áreas de aprendizaje automático y minería de datos. . |
| Nota de contenido: |
Basic concepts -- Feature selection -- Foundations of ensemble learning -- Ensembles for feature selection -- Combination of outputs -- Evaluation of ensembles for feature selection -- Other ensemble approaches -- Applications of ensembles versus traditional approaches: experimental results -- Software tools -- Emerging Challenges. . |
| En línea: |
https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...] |
| Link: |
https://biblioteca.umanizales.edu.co/ils/opac_css/index.php?lvl=notice_display&i |
Recent Advances in Ensembles for Feature Selection [documento electrónico] / Bolón-Canedo, Verónica, Autor ; Alonso-Betanzos, Amparo, Autor . - 1 ed. . - [s.l.] : Springer, 2018 . - XIV, 205 p. 39 ilustraciones, 36 ilustraciones en color. ISBN : 978-3-319-90080-3 Libro disponible en la plataforma SpringerLink. Descarga y lectura en formatos PDF, HTML y ePub. Descarga completa o por capítulos.
| Palabras clave: |
Inteligencia Computacional Inteligencia artificial Sistemas de reconocimiento de patrones Reconocimiento de patrones automatizado |
| Índice Dewey: |
006.3 Inteligencia artificial |
| Resumen: |
Este libro ofrece una descripción general completa del aprendizaje conjunto en el campo de la selección de características (FS), que consiste en combinar la salida de múltiples métodos para obtener mejores resultados que cualquier método único. Revisa varias técnicas para combinar resultados parciales, medir la diversidad y evaluar el desempeño del conjunto. Con la llegada de Big Data, la selección de características (FS) se ha vuelto más necesaria que nunca para lograr la reducción de dimensionalidad. Con tantos métodos disponibles, es difícil elegir el más apropiado para un entorno determinado, lo que hace que el paradigma conjunto sea una alternativa interesante. Los autores primero se centran en los fundamentos del aprendizaje en conjunto y los enfoques clásicos, antes de profundizar en los aspectos específicos de los conjuntos para FS, como la combinación de resultados parciales, la medición de la diversidad y la evaluación del desempeño del conjunto. Por último, el libro muestra ejemplos de aplicaciones exitosas de conjuntos para FS e introduce los nuevos desafíos que enfrentan ahora los investigadores. Como tal, el libro ofrece una guía valiosa para todos los profesionales, investigadores y estudiantes de posgrado en las áreas de aprendizaje automático y minería de datos. . |
| Nota de contenido: |
Basic concepts -- Feature selection -- Foundations of ensemble learning -- Ensembles for feature selection -- Combination of outputs -- Evaluation of ensembles for feature selection -- Other ensemble approaches -- Applications of ensembles versus traditional approaches: experimental results -- Software tools -- Emerging Challenges. . |
| En línea: |
https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...] |
| Link: |
https://biblioteca.umanizales.edu.co/ils/opac_css/index.php?lvl=notice_display&i |
|  |
Recent Advances in Ensembles for Feature Selection
