Barrientos MRE, Cruz RN, Acosta MHG, Rabatte SI, Gogeascoechea TMC, Pavón LP, Blázquez Morales SL

Idioma: Español
Referencias bibliográficas: 7
Paginas: 19-24
Archivo PDF: 318.67 Kb.

RESUMEN

En este trabajo se evalúa el desempeño de tres de los algoritmosmás representativos para la construcción de árboles de decisión. Los árboles de decisión son un modelo de clasificación utilizado en la inteligencia artificial, cuya principal característica es su aporte visual a la toma de decisiones. Para poner a prueba el rendimiento en el proceso de clasificación de los árboles de decisión, se utilizarán dos bases de datos que contienen datos médicos de pacientes reales. Estos datos corresponden a lasintomatología que un médico especialista considera para el diagnóstico de cáncer de seno. Una de las bases de datos contiene 692 casos recopilados de las observaciones de un solo médico y la otra, contiene 322 casos recopilados de la observación de 19 especialistas. En suma, se busca determinar la pertinencia de los árboles de decisión, es decir, si pueden ser una herramienta de apoyo para el diagnóstico médico.

REFERENCIAS (EN ESTE ARTÍCULO)

1. Cruz-Ramírez N, Acosta-Mesa HG, Carrillo-Calvet H, Barrientos- Martínez RE. Comparison of the Performance of Seven Classifiers as Effective Decision Support Tools for the Cytodiagnosis of Breast Cancer: A Case Study. Analysis and Design of Intelligent Systems using Soft Computing Techniques. Advances in soft computing; 41: 79 - 87.

2. Russell, S. and P. Norvig, Artificial Intelligence: A Modern Approach. Second ed. Upper Saddle River (N J): Prentice Hall/ Pearson Education; 2003.

3. Breiman L, Friedman JH, Olshen RA, Stone CJ. Classification and Regression Trees, Wadsworth (New York); 1994.

4. Cross SS y cols. Which Decision Support Technologies Are Appropriate for the Cytodiagnosis of Breast Cancer? Artificial Intelligence Techniques in Breast Cancer Diagnosis and Prognosis, A. Jain, et al., Editors. World Scientific 2000; 265-295.

5. Quinlan JR. Learning Decision Tree Classifiers. ACM Computing Surveys 1996; 28(1): 71-72.

6. Quinlan JR. Programs for Machine Learning. The Morgan Kaufmann Series in Machine Learning. San Mateo (California): Morgan Kaufmann Publishers; 1993.

7. Dunham MH. Data Mining. Introductory and Advanced Topics. Upper Saddle River (N J): Prentice Hall; 2003.