Encabezado de página

Bosques aleatorios como extensión de los árboles de clasificación con los programas R y Python

Rosa Fátima Medina-Merino, Carmen Ismelda Ñique-Chacón

Resumen


El presente artículo presenta la aplicación del método no paramétrico Random Forest mediante el aprendizaje
supervisado, como una extensión de los árboles de clasificación. El algoritmo de Random Forest surge como la agrupación de varios árboles de clasificación; básicamente selecciona de manera aleatoria una cantidad de variables
con las cuales se construye cada uno de los árboles individuales, y se realizan predicciones con estas variables que posteriormente serán ponderadas a través del cálculo de la clase más votada de los árboles que se generaron, para finalmente hacer la predicción por Random Forest. Para la aplicación se trabajó con 3168 registros de voz grabados, para los cuales se presentan los resultados de un análisis acústico, registrándose variables tales como frecuencia, espectro, modulación, entre otras, con lo cual se busca obtener un patrón de identificación y clasificación según género a través de un identificador de voz. El registro de datos utilizado es de acceso libre y puede ser descargado desde la plataforma web de Kaggle a través del enlace <https://www.kaggle.com/primaryobjects/voicegender>. Para el desarrollo del algoritmo del modelo, se recurrió al programa estadístico R. Adicionalmente, se realizaron aplicaciones con Python mediante el desarrollo de algoritmos de clasificación.


Palabras clave


Bosques aleatorios; árboles de clasificación; modelos no paramétricos de clasificación; aprendizaje supervisado; lenguaje R; lenguaje Python

Texto completo: PDF

Citar:     Cite/Citar

Creative Commons License
This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License.



DOI: 10.26439/interfases2017.n10.1775


ISSN 1993-4912