Un Método de Envoltura Basado en Aprendizaje Automático para la Selección de Características

Este documento presenta un esquema de selección de características en dos etapas utilizando técnicas de aprendizaje automático. En la primera etapa, se adopta un método de envoltura para seleccionar varias combinaciones de subconjuntos de características del conjunto de datos original. El rendimiento del modelo se evalúa mediante tres clasificadores: K-Nearest Neighbor (KNN), Support Vector Machines (SVM) y Random Forest (RF). En la segunda y última etapa, se aplica un método de selección de características hacia atrás secuencial. El método propuesto se demuestra en dieciocho conjuntos de datos y la precisión promedio de clasificación de los dieciocho conjuntos de datos alcanzada es del 89.81%, 87.55% y 89.82% utilizando los clasificadores KNN, SVM y RF, respectivamente, con un tamaño máximo reducido del subconjunto siendo solo diez. Al comparar el método propuesto con otros ocho métodos de selección de características, este logra una mejor precisión de clasificación en términos de seleccionar el número más útil pero menor de características.