Evaluación del algoritmo de clasificación basado en reglas JRip para datos standard y desbalanceados

Resumen

Las t écnicas de minería de datos se usan en el aprendizaje automatizado de máquinas desde hace varios años para inferir conocimientos a partir de las informaciones almacenadas en empresas e instituciones. Algunas de estas t écnicas más usadas son la clasificación, regresión, agrupamiento, etc. La clasificación supervisada tiene el objetivo de asignar objetos a clases predefinidas a partir de un grupo de objetos previamente almacenados que ya están clasificados. Existen para tareas de clasificación diversos algoritmos, estos se agrupan usualmente en familias atendiendo a la forma de representar el conocimiento que extraen de los datos. Las reglas de decisión son una forma de representación del conocimiento muy usada cuando se quiere que los usuarios entiendan los resultados obtenidos. El presente estudio tiene como objetivo evaluar el comportamiento del algoritmo de clasificación basado en reglas JRip para problemas de clasificación standard y desbalanceados. Este algoritmo es comparado además con otros tres de su familia Ridor, DecisionTable y OneR. Para la evaluación experimental se usa la validación cruzada y para analizar los resultados obtenidos de la misma el test de Friedman y el test post-hoc Finner. Se presentan y discuten los resultados obtenidos de las evaluaciones para los diferentes tipos de problemas de clasificación de minería de datos.