Resumen de Random forest y soft computing: análisis, diseño y construcción de un fuzzy random forest
Esta tesis presenta una propuesta relacionada con las tareas de clasificación del aprendizaje automático, La propuesta abarca los distintos niveles necesarios para diseñar e implementar un multiclasificador que posee la habilidad de procesar datos con información imperfecta. La intención es presentar un clasificador que mantenga un alto grado de precisión con datos crisp y que también sea capaz de procesar etiquetas lingüísticas manteniendo un buen rendimiento ante datos missing y diferentes tipos de ruido.
Para lograrlo se han empleado técnicas de soft computing (especialmente la lógica fuzzy) generando algoritmos, métodos y procedimientos que se han conjuntado en una propuesta metodológica que hemos llamado Fuzzy Random Forest. También se han planteado una amplia variedad de métodos de combinación para trabajar con Fuzzy Random Forest.
Fuzzy Random Forest está inspirado en la metodología Random Forest de Breiman, sin embargo los dos elementos principales que lo conforman son: un árbol fuzzy, como clasificador base, en el que se introducen elementos aleatorios y los métodos de combinación que fusionan la información o votos de cada árbol.
Con este planteamiento hemos producido una implementación software FRF v1.0 y hemos podido realizar amplias pruebas experimentales ajustando sus parámetros y comparando los resultados obtenidos con FRF v1.0 y el de los mejores clasificadores y multiclasificadores reportados en la literatura.
