Las redes neuronales y los árboles de decisión han demostrado ser métodos e cientes en aplicaciones relacionadas con la clasi cación. En la actualidad siguen intentando combinar estos métodos con el propósito de obtener un algoritmo más e ciente que sea capaz de mejorar la precisión de sus estimaciones, por esta razón esta tesis tiene como propósito crear y comparar el rendimiento de los modelos anteriores, mediante la combinación de diferentes algoritmos de decisión a través del método stacking o apilamiento, el cual fue desarrollado por Wolper en 1992 para aumentar la precisión predictiva de los modelos, la idea de este método es recopilar las estimaciones de diferentes algoritmos de clasi cación y posteriormente desarrollar el modelo nal a partir de este nuevo conjunto de datos. En la terminología de Wolpert, los datos originales y los modelos construidos para ellos en el primer paso se denominan modelos y colección de datos de nivel 0, mientras que el conjunto de datos que contiene estimaciones de los modelos del nivel 0 junto con la variable a predecir original, se denomina datos de nivel 1, de igual manera que el algoritmo de aprendizaje creado para esta nueva base de datos toma el nombre de modelo de nivel 1.

Neural networks and decision trees have shown to be e cient methods in applications related to classi cation, currently there are still attempts to combine these methods with the purpose of obtaining a more e cient algorithm able to improve the accuracy of its estimates, for this reason this thesis has a purpose of creating and comparing the performance of the neural networks models and decision trees, starting from the combination of di erent decision algorithms through the ensemble method, which was developed by Wolpert in 1992 to increase the predictive accuracy of the models, the idea of this method is to collate the estimation of di erent classi cation algorithms and afterwards develop a nal model from this new dataset. In Wolpert's terminology, the original data and the models constructed for them in the rst step are called models and data collection of level 0, while the data set contains estimates of the level 0 models along with the variable to predict original is denominated as level 1 data, in the same manner the learning algorithm created for this new database will take the name of level 1 model.

Profesional en estadística

Pregrado