RT Dissertation/Thesis
T1 Predicción y selección de características, mediante análisis local de la fiabilidad, para el mercado de valores y su extensión a problemas de clasificación y regresión
A1 Martín Manso, Ricardo
AB Esta tesis se encuadra dentro del ámbito del Aprendizaje Automático, unárea de la Inteligencia Artificial (IA). A lo largo de la misma, se han diseñadoy validado experimentalmente, nuevas técnicas de selección de atributos yde clasificación.La motivación para el desarrollo de dichas técnicas, se basa en el deseo deimplementar herramientas adecuadas para tratar problemas de selección deatributos y de clasificación en un dominio de especial dificultad: el mercadode valores.Se ha partido de la hipótesis de que los factores que dificultan la clasificacióncorrecta de los datos son, a menudo, una ratio desfavorable entre información y ruido, una alta dimensionalidad, escasez de patrones y desbalanceodel número de patrones de cada clase. Una vez identificados dichos factores,se han diseñado técnicas robustas frente a estos, concretamente un algoritmode selección de atributos (con diferentes variantes) y un algoritmo declasificación.Estas técnicas se han validado sobre un exhaustivo conjunto de problemasgenerados artificialmente y en problemas reales del mercado de valores.Por último, se ha explorado la posibilidad de utilizar las nuevas técnicas deselección de atributos propuestas en problemas convencionales. Para ello,se han validado sobre un conjunto de dominios reales de uso común enAprendizaje Automático, tanto para clasificación como para regresión.
AB This thesis belongs to Machine Learning, an area of Artificial Intelligence(AI). During its development, new techniques of attribute selection andclassification have been designed and validated empirically.The motivation for the development of these techniques is based on thedesire to implement adequate tools to deal with feature selection and classification problems in an area of particular difficulty: the stock market.Based on the hypothesis that the factors which make data classificationdifficult are, frequently, a low ratio between information and noise; highdimensionality, small training samples, and class imbalance.Once these factors have been identified, robust techniques to deal with themwere designed, specifically a feature selection algorithm (with different variants)and a classification algorithm.These techniques have been validated over exhaustive synthetic data setsand stock market problems.Finally, the possibility of using the new feature selection techniques wereexplored in conventional problems. To this end, they were validated usinga data set of actual domains, both for classification and regression.
YR 2017
FD 2017-05
LK https://hdl.handle.net/10016/25783
UL https://hdl.handle.net/10016/25783
LA spa
DS e-Archivo
RD 17 jul. 2024