Supervised classification in continuous domains with Bayesian networks

Resumen

Dicho trabajo de tesis a producido las siguientes aportaciones metodológicas respaldadas por 2 publicaciones en revista con factor de impacto (International Journal of Approximate Reasoning) y una publicación en la conferencia Discovery Science: -Conjunto de algoritmos de inducción de clasificadores para el paradigma de las redes Gaussianas condicionales [1]. -Nuevo paradigma denominado redes Bayesianas basadas en kernels [2]. -Conjunto de algoritmos de inducción de clasificadores para el paradigma de las redes Bayesians basadas en kernels [2]. -Estimadores de cantidades de la teoría de la información bajo suposición paramétrica (Gaussiana) [1]. -Estimadores de cantidades de la teoría de la información bajo suposición no-paramétrica (estimación de densidades basadas en kernels) [2]. -Estudio de la relacion entre el error de clasificacion y cantidades de la teoria de la información en clasificadores probabilisticos [3]. Referencias A. Pérez, P. Larrañaga and I. Inza (2006) Supervised classification with conditional Gaussian networks: Increasing the structure complexity from naïve Bayes. International Journal of Approximate Reasoning, 43:1-25 A. Pérez, P. Larrañaga and I. Inza (2006) Information theory and classification error in probabilistic classifiers. Proceedings of the Ninth International Conference on Discovery Science. Lecture Notes in Artificial Intelligence, 4265:347-351. A. Pérez, P. Larrañaga and I. Inza (2009) Bayesian classifiers based on kernel density estimation: Flexible classifiers. International Journal of Approximate Reasoning, 50(2):341-362.