Mostrar el registro sencillo del ítem

dc.contributor.advisorTriviño-Salas, Gracian 
dc.contributor.authorMoreno Barea, Francisco Javier
dc.contributor.otherLenguajes y Ciencias de la Computaciónes_ES
dc.date.accessioned2016-06-14T10:23:03Z
dc.date.available2016-06-14T10:23:03Z
dc.date.created2015
dc.date.issued2016-06-14
dc.identifier.urihttp://hdl.handle.net/10630/11638
dc.description.abstractEn la actualidad, existen un gran número de investigaciones que usan técnicas de aprendizaje automático basadas en árboles de decisión. Como evolución de dichos trabajos, se han desarrollado métodos que usan Multiclasificadores (Random forest, Boosting, Bagging) que resuelven los mismos problemas abordados con árboles de decisión simples, aumentando el porcentaje de acierto. El ámbito de los problemas resueltos tradicionalmente por dichas técnicas es muy variado aunque destaca la bio-informática. En cualquier caso, la clasificación siempre puede ser consultada a un experto considerándose su respuesta como correcta. Existen problemas donde un experto en la materia no siempre acierta. Un ejemplo, pueden ser las quinielas (1X2). Donde podemos observar que un conocimiento del dominio del problema aumenta el porcentaje de aciertos, sin embargo, predecir un resultado erróneo es muy posible. El motivo es que el número de factores que influyen en un resultado es tan grande que, en muchas ocasiones, convierten la predicción en un acto de azar. En este trabajo pretendemos encontrar un multiclasificador basado en los clasificadores simples más estudiados como pueden ser el Perceptrón Multicapa o Árboles de Decisión con el porcentaje de aciertos más alto posible. Con tal fin, se van a estudiar e implementar una serie de configuraciones de clasificadores propios junto a multiclasificadores desarrollados por terceros. Otra línea de estudio son los propios datos, es decir, el conjunto de entrenamiento. Mediante un estudio del dominio del problema añadiremos nuevos atributos que enriquecen la información que disponemos de cada resultado intentando imitar el conocimiento en el que se basa un experto. Los desarrollos descritos se han realizado en R. Además, se ha realizado una aplicación que permite entrenar un multiclasificador (bien de los propios o bien de los desarrollados por terceros) y como resultado obtenemos la matriz de confusión junto al porcentaje de aciertos. En cuanto a resultados, obtenemos porcentajes de aciertos entre el 50% y el 55%. Por encima del azar y próximos a los resultados de los expertos.es_ES
dc.language.isospaes_ES
dc.rightsinfo:eu-repo/semantics/openAccesses_ES
dc.subjectGrado en Ingeniería Informática - Trabajos Fin de Gradoes_ES
dc.subjectInformática - Trabajos Fin de Gradoes_ES
dc.subjectAnálisis multivariantees_ES
dc.subjectAprendizaje automático (Inteligencia artificial)es_ES
dc.subjectMinería de datoses_ES
dc.subject.othersistemas multiclasificadoreses_ES
dc.subject.otherBoostinges_ES
dc.subject.otherÁrbol de decisiónes_ES
dc.subject.otherLiga BBVAes_ES
dc.titleDesarrollo de técnicas de aprendizaje automático para la predicción de resultados de partidos en ligas futbolísiticases_ES
dc.title.alternativeDevelopment of machine learning techniques for predicting results from league football matcheses_ES
dc.typeinfo:eu-repo/semantics/bachelorThesises_ES
dc.centroE.T.S.I. Informáticaes_ES
dc.cclicenseby-nc-ndes_ES


Ficheros en el ítem

Este ítem aparece en la(s) siguiente(s) colección(ones)

Mostrar el registro sencillo del ítem