Pittsburgh genetic-based machine learning in the data mining era: representations, generalization, and run-time

摘要: El enfoque de Pittsburgh (DeJong, Spears, & Gordon, 1993) del aprendizaje evolutivo es, entre otras alternativas (Wilson, 1955; Venturini, 1993), la aplicacion las tecnicas computacion evolutiva (Holland, 1975; Godberg, 1989a) a tareas aprendizaje artificial, Los sistemas que aplican este se caracterizan por hacer evolucionar individuos que consisten en un conjunto reglas, habitualmente tamano variable. Por lo tanto, la solucion propuesta al problema resolver tipo de sistemas es el mejor individuo poblacion. Cuando usa necesario soluciona correctamente algunos asuntos como control los poblacion, aplicar el grado correcto presion generalizacion sobre amplio de problemas, reduccion coste computacional sistema, tratar problemas con tipos atributo diversos, etc. Todos estos problemas son todavia mas serios cuando pretende solucionar modernos mineria de datos. El objetivo general esta tesis adaptar para solucionar con exito problemas. Este divide en tres partes: (1) mejorar capacidad generalizacion, (2) reducir el y (3) representaciones para atributos reales. Estos tres objetivos han logrado mediante combinacion cuatro de contribuciones. Algunas estas propuestas solo solucionan uno los objetivos. Otras pueden mas mismo tiempo. Todas estan integradas sistema llamado GAssist (Genetic clASSIfier sySTem), La experimentacion realizada incluye amplio espectro de mineria datos. Esta dividida dos partes. En la primera parte ha experimentado diversas separado para cada contribuciones realizadas tesis. El est