摘要：La clasificación supervisada constituye una de las áreas de investigación más activas dentro de la Inteligencia Artificial. La regla del vecino más cercano (NN) es un a de l a s más simples y efectiv a s para la clasificación supervisada . El pre - procesamiento del conjunto de entrenamiento es esencial para obtener clasificaciones de alta calidad . En este artículo se introduce un nuevo algoritmo de selección de atributos y casos que utiliza un enfoque híbrido basado en los Conjuntos Aproximados y los algoritmos inspirados en la naturaleza pa ra mejorar el desempeño de clasificadores NN . El algoritmo propuesto permite el manejo de conjuntos de datos mezclados, incompletos, y no balanceados . El desempeño de dicho algoritmo se analizó utilizando bases de datos de repositorio, mostrando una alta eficacia del clasificador, utilizando solamente poc o s casos y atributos .
其他摘要：Supervised classification is one of the most active research fields in the Artificial Intelligence community. Nearest Neighbor (NN) is one of the simplest and most consistently accurate approaches to supervised classification . The training set preprocessing is essential for obtain ing high quality classification results . This paper introduces an attribute and case selection algorithm using a hybrid Rough Set Theory and natural ly i nspired approach to improve the NN performance . The proposed algorithm deals with mixed and incomplete, as well as imbalanced data sets . It s performance was tested over repository databases , showing high classifi cation accuracy while keeping few cases and a ttributes .
关键词：Nearest neighbor ; case selection; attribute selection;Vecino más cercano; selección de casos; selección de atributos ; Nearest neighbor ; case selection; attribute selection;Vecino más cercano; selección de casos; selección de atributos
