Saltar navegación e ir al contenido principal
Biblioteca digital de Bogotá
Logo BibloRed
Cargando contenido
¿Qué estás buscando?
  • prueba texto: Lorem ipsum dolor sit amet, consectetur adipiscing elit. Quisque eleifend libero quam, id porta erat semper elementum. Sed vestibulum nisl nisl, et lacinia magna rhoncus ultricies

  • Búsqueda avanzada

Seleccionar

Grupos de contenidos

Filtrar

Tipo de colección
Tipo de contenido
Idioma
Licencia

Estás filtrando por

Haz seleccionado nuevos filtros para tu búsqueda. Para aplicarlos, haz clic en “Aplicar filtros”.

Se encontraron 720 resultados en recursos de contenido

Compartir este contenido

Copos de nieve : pasillo / Ismael Posada Posada

Copia el enlace o compártelo en redes sociales

Compartir este contenido

Brisas del salto : pasillo / Carlos Escamilla

Copia el enlace o compártelo en redes sociales

Compartir este contenido

Carlos Alban : pasillo / por Ismael Posada

Copia el enlace o compártelo en redes sociales

Compartir este contenido

Sofia : polka para piano / Carlos Escamilla.

Copia el enlace o compártelo en redes sociales

Compartir este contenido

Refajo : pasillo para piano / Carlos Escamilla.

Copia el enlace o compártelo en redes sociales

Compartir este contenido

Nene : pasillo / Carlos Escamilla

Copia el enlace o compártelo en redes sociales

Compartir este contenido

Meditación : pasillo / Ismael Posada Posada

Copia el enlace o compártelo en redes sociales

Compartir este contenido

Patria : polka / Carlos Escamilla

Copia el enlace o compártelo en redes sociales

Imagen de apoyo de  Willa [Recurso electrónico] : fox trot / Emilio Murillo

Willa [Recurso electrónico] : fox trot / Emilio Murillo

Por: Emilio Murillo | Fecha: 01/01/2013

La reducción al mínimo del coste del atributo de prueba es un problema importante en el aprendizaje sensible al coste. Recientemente, se han diseñado algoritmos heurísticos para este problema, incluyendo el algoritmo basado en la ganancia de información y el algoritmo genético. Sin embargo, en muchos casos estos algoritmos no pueden encontrar la solución óptima. En este artículo, desarrollamos un algoritmo de optimización de colonias de hormigas para abordar este problema. El conjunto de atributos se representa como un grafo en el que cada vértice corresponde a un atributo y el peso de cada arista a la feromona. Nuestro algoritmo consta de tres etapas, a saber, la etapa de adición, la etapa de eliminación y la etapa de filtración. En la etapa de adición, cada hormiga parte de la posición inicial y recorre las aristas de forma probabilística hasta que se cumple el criterio de parada. En este proceso también se actualiza la feromona del camino recorrido. En la etapa de borrado, cada hormiga elimina los atributos redundantes. Se proponen dos estrategias, denominadas estrategia de borrado centralizada y estrategia de borrado distribuida. Por último, se selecciona la hormiga con un coste de prueba mínimo para construir el reducto en la etapa de filtrado. Los resultados experimentales sobre conjuntos de datos de la UCI indican que el algoritmo es significativamente mejor que el basado en la ganancia de información. También supera al algoritmo genético en el conjunto de datos de tamaño medio Mushroom.
Fuente: Revista Virtual Pro Tipo de contenido: Otros

Compartir este contenido

Ant Colony Optimization with Three Stages for Independent Test Cost Attribute Reduction

Copia el enlace o compártelo en redes sociales

  • Exclusivo BibloRed
Imagen de apoyo de  Ant Colony Optimization with Three Stages for Independent Test Cost Attribute Reduction

Ant Colony Optimization with Three Stages for Independent Test Cost Attribute Reduction

Por: Hindawi Publishing Corporation | Fecha: 01/01/2013

La reducción al mínimo del coste del atributo de prueba es un problema importante en el aprendizaje sensible al coste. Recientemente, se han diseñado algoritmos heurísticos para este problema, incluyendo el algoritmo basado en la ganancia de información y el algoritmo genético. Sin embargo, en muchos casos estos algoritmos no pueden encontrar la solución óptima. En este artículo, desarrollamos un algoritmo de optimización de colonias de hormigas para abordar este problema. El conjunto de atributos se representa como un grafo en el que cada vértice corresponde a un atributo y el peso de cada arista a la feromona. Nuestro algoritmo consta de tres etapas, a saber, la etapa de adición, la etapa de eliminación y la etapa de filtración. En la etapa de adición, cada hormiga parte de la posición inicial y recorre las aristas de forma probabilística hasta que se cumple el criterio de parada. En este proceso también se actualiza la feromona del camino recorrido. En la etapa de borrado, cada hormiga elimina los atributos redundantes. Se proponen dos estrategias, denominadas estrategia de borrado centralizada y estrategia de borrado distribuida. Por último, se selecciona la hormiga con un coste de prueba mínimo para construir el reducto en la etapa de filtrado. Los resultados experimentales sobre conjuntos de datos de la UCI indican que el algoritmo es significativamente mejor que el basado en la ganancia de información. También supera al algoritmo genético en el conjunto de datos de tamaño medio Mushroom.
Fuente: Revista Virtual Pro Tipo de contenido: Otros

Compartir este contenido

Ant Colony Optimization with Three Stages for Independent Test Cost Attribute Reduction

Copia el enlace o compártelo en redes sociales

Selecciona las Colecciones en las que vas a añadir el contenido

Para consultar los contenidos añadidos busca la opción Tus colecciones en el menú principal o en Mi perfil.

Mis colecciones

Cargando colecciones

¿Deseas limpiar los términos de la búsqueda avanzada?

Vas a limpiar los términos que has aplicado hasta el momento para poder rehacer tu búsqueda.

Selecciona las Colecciones en las que vas a añadir el contenido

Para consultar los contenidos añadidos busca la opción Tus colecciones en el menú principal o en Mi perfil.

Mis colecciones

Cargando colecciones