Detalle de artículo
Autores: Ornella, L.; Bulacio, P.; Tapia, E.
Resumen:
Existen varios métodos estadísticos propuestos para asignar nuevas líneas a grupos heteróticos en maíz (Zea mays L) con resultados variables. Nuestra conjetura es que tales modelos no capturan la relación no-lineal entre información de las líneas parentales y la perfomance de la progenie y que tal tipo de no-linealidad puede ser fácilmente capturada por algoritmos de aprendizaje computacional supervisado. Por aprendizaje computacional nos referimos a un dominio de investigación relacionado con la inferencia estadística, inteligencia artificial y teoría de optimización; cuyo objetivo es construir sistemas capaces de aprender a resolver tareas dados un conjunto de ejemplos muestreados de una distribución de probabilidad desconocida y con algún conocimiento previo de la tarea. Seis (6) clasificadores multiclase, implementados en el entorno WEKA, fueron evaluados con dos conjuntos de datos experimentales utilizando 20 corridas montecarlo y validación cruzada 3, 5 y 10 fold. Nuestros resultados, aunque preliminares, sugieren la utilidad de técnicas de aprendizaje computacional para resolver problemas de asignación a a grupos heteróticos.
.Ubicación: Actas de las Academia Nacional de Ciencias.
Editorial: Pugliese Siena PS.
Lugar de edición: Córdoba.
Tipo de referato: Con Referato.
Está publicado?: Sí
ISSN: 0325-7533.
Volumen: 14.
Páginas:117-124