Esquemas de combinación de árboles de decisión como estrategia para la detección de anomalías
![Thumbnail](/bitstream/handle/10.18687/20200101_306/FP306.pdf.jpg?sequence=6&isAllowed=y)
View/ Open
Date
2020-07Author
Quintana-Zaez, Julio Cesar
Velarde-Bedregal, Hector Raúl
Anton-Vargas, Jarvin
Joaquim-Luis, Geronimo
Metadata
Show full item recordAbstract
La seguridad de los datos consumidos, generados y almacenados es crucial para la calidad de vida en la sociedad actual. Por esta razón, este documento propone un estudio comparativo de diferentes esquemas de combinación de clasificadores múltiples basados en árboles de decisión, debido a su escalabilidad y fácil implementación. Como resultado, se obtuvieron valores de precisión y recuperación de aproximadamente 97% y 100%, que muestran su alta confiabilidad, reducen las falsas alarmas y la alta capacidad de generalización. Una comparación con un algoritmo basado en el aprendizaje profundo mostró que las estrategias de combinación de árboles son competitivas y con resultados estadísticamente similares y superiores al estado de la técnica. Al final, los resultados sugieren que las estrategias de adaptación como XGBoost o estrategias altamente aleatorias como Random Forest o Extra-Tree pueden ser alternativas para la protección de datos valiosos en la red