Arboles de decisión y series de tiempo.
Dentro de los métodos enmarcados en el aprendizaje automático supervisado, muchos pueden adaptarse a los problemas que tratan con atributos en forma de series de tiempo. Se han desarrollado métodos específicos, que permiten captar mejor el factor temporal. Muchos de ellos, incluyen etapas de pre-pro...
Saved in:
| Main Author: | |
|---|---|
| Format: | masterThesis |
| Language: | Spanish |
| Published: |
2009
|
| Subjects: | |
| Online Access: | https://hdl.handle.net/20.500.12008/24343 |
| Tags: |
No Tags, Be the first to tag this record!
|
| Summary: | Dentro de los métodos enmarcados en el aprendizaje automático supervisado, muchos pueden adaptarse a los problemas que tratan con atributos en forma de series de tiempo. Se han desarrollado métodos específicos, que permiten captar mejor el factor temporal. Muchos de ellos, incluyen etapas de pre-procesamiento de los datos, que extraen nuevos atributos de las series para su posterior tratamiento mediante métodos tradicionales. Estos modelos suelen depender demasiado del problema particular y a veces también resultan difíciles de interpretar. Aquí nos propusimos desarrollar un algoritmo, específico para clasificación y regresión con atributos series de tiempo, sin tratamiento previo de los datos y de fácil interpretación. Implementamos una adaptación de CART, cambiando la forma de particionar los nodos, utilizando la medida DTWde similaridad entre series. Aplicamos el método a la base artificial CBF, ampliamente utilizada en el contexto de clusterización y clasificación de series de tiempo. También experimentamos en un problema de regresión, con datos reales de tráfico en redes de internet. |
|---|