<p>Para solucionar el problema de la selección de variables de entrada a un sistema, para un proceso autorregresivo, se busca seleccionar las variables más relevantes y menos redundantes, que ayuden a reducir el consumo de tiempo de búsqueda y el exceso de ajustes en los algoritmos de aprendizaje.Este proyecto de título evalúa el rendimiento del algoritmo de los k-vecinos más cercanos (KNN), utilizando para su cálculo la Información Mutua (IM), para seleccionarlas características de un conjunto de variables. Este algoritmo se implementó como un software de estudio, el cual tiene distintas opciones congurables para el análisis del rendimiento bajo distintas condiciones. El algoritmo, con la conguración óptima determinada en este proyecto, tiene un rendimiento promedio de 83,19% con una desviación estándar de 8,46%. Con estos datos, se puede determinar que este algoritmo no es sucientemente conable para ser utilizado en el proceso de selección de variables</p>
<p>In order to solve the input feature selection problem into a system, to a autoregressive process, seek the most relevant and less redundant features is wanted,helping to reduce the searching time consumption and the setting excess in the learning algorithms. This degree work evaluates the performance of the k-nearest neighbours algorithm, using Mutual Information to calculate it, in order to select the features of an input data set. This algorithm is developed as a study software, wich has dierent settable options to analize the performance under certain conditions. The algorithm, with the optimal conguration dened on this work, has a average performance of 83.19% with a standard deviation of 8.46 %. With this information, can be determinate that the algorithm is not suciently reliable to be used in the feature selection process</p>
last modification
Ingeniero de Ejecución en Informática
INGENIERIA DE EJECUCION INFORMATICA
<p>Para solucionar el problema de la selección de variables de entrada a un sistema, para un proceso autorregresivo, se busca seleccionar las variables más relevantes y menos redundantes, que ayuden a reducir el consumo de tiempo de búsqueda y el exceso de ajustes en los algoritmos de aprendizaje.Este proyecto de título evalúa el rendimiento del algoritmo de los k-vecinos más cercanos (KNN), utilizando para su cálculo la Información Mutua (IM), para seleccionarlas características de un conjunto de variables. Este algoritmo se implementó como un software de estudio, el cual tiene distintas opciones congurables para el análisis del rendimiento bajo distintas condiciones. El algoritmo, con la conguración óptima determinada en este proyecto, tiene un rendimiento promedio de 83,19% con una desviación estándar de 8,46%. Con estos datos, se puede determinar que este algoritmo no es sucientemente conable para ser utilizado en el proceso de selección de variables</p>
<p>In order to solve the input feature selection problem into a system, to a autoregressive process, seek the most relevant and less redundant features is wanted,helping to reduce the searching time consumption and the setting excess in the learning algorithms. This degree work evaluates the performance of the k-nearest neighbours algorithm, using Mutual Information to calculate it, in order to select the features of an input data set. This algorithm is developed as a study software, wich has dierent settable options to analize the performance under certain conditions. The algorithm, with the optimal conguration dened on this work, has a average performance of 83.19% with a standard deviation of 8.46 %. With this information, can be determinate that the algorithm is not suciently reliable to be used in the feature selection process</p>
