首页    期刊浏览 2024年10月01日 星期二
登录注册

文章基本信息

  • 标题:Feature Selection using Typical Testors applied to Estimation of Stellar Parameters
  • 作者:José ?. Santos ; Ariel Carrasco ; José F. Martínez
  • 期刊名称:Computación y Systemas
  • 印刷版ISSN:1405-5546
  • 出版年度:2004
  • 卷号:8
  • 期号:1
  • 出版社:Universidad Nacional Autónoma de México, Servicios de Cómputo Académico
  • 摘要:Resumen español
    En este artículo se presenta un análisis comparativo de la selección de características usando testores típicos aplicada a la estimación de parámetros estelares. La comparación está basada en la eficiencia de clasificación al usar testores típicos como método de selección de variables contra la eficiencia de clasificación al usar el método de Ramírez (2001), el cual usa algoritmos genéticos. Como clasificador se usó la regla de K-vecinos más cercanos (KNN). Se propuso una modificación al concepto de testor típico para poder aplicarlo en problemas de predicción de una función con imagen en los números reales. En los experimentos, la selección de variables con testores típicos redujo la cantidad de características aproximadamente en un 50%. El error de clasificación usando nuestro método fue menor que usando todas las características o el método de Ramírez.

    Resumen inglés
    In this paper a comparative analysis of feature selection using typical testors applied on astronomical data, is presented. The comparison is based on the classification efficiency using typical testors as feature selection method against the classification efficiency using Ramirez (2001) method, which uses genetic algorithms. The well-known K-nearest neighbors rule (KNN) was used as classifier. The feature selection based on typical testors was modified to be applied on a prediction problem of a real valued function. The feature selection obtained with typical testors reduces the amount of features in approximately 50% and the classification error index is better than both using the original data and Ramirez's method.




Loading...
联系我们|关于我们|网站声明
国家哲学社会科学文献中心版权所有