Modelo de clasificación de información medioambiental para internet basado en un clasificador de texto linear

Resumen

Introducción: en la actualidad, los sitios web de noticias comparten información diariamente. Con el constante desarrollo de las tecnologías de la información, la cantidad de datos que circulan en la red crecen exponencialmente día a día. Objetivo: construir un modelo de clasificación de información medioambiental mediante la clasificación de textos. Materiales y métodos: la propuesta está basada en un modelo de clasificación de información a través del clasificador de descenso de gradiente estocástico con el modelo de clasificación linear Máquinas de Soporte Vectorial, se empleó la lematización para reducir los datos que se utilizaron para el entrenamiento. Se utilizó Bag of Words para reducir la dimensión de texto mediante las palabras vacías para el español y crear el vector de características. Resultados y discusión: se obtuvo un modelo de clasificación de información con un desempeño superior al 90%. Conclusiones: se validó el modelo creado y su rendimiento con tres diferentes medidas: Exactitud, Medida F1 y la matriz de confusión. Se demostró la importancia de distribuir equitativamente la cantidad de documentos de entrenamiento que pertenecen a cada categoría.