Clasificación de páginas web mediante técnicas de aprendizaje automático

Abstract

Este proyecto propone un simple clasificador de paginas web basado en la frecuencia de términos. La simplicidad está dada por el uso de un conjunto de términos para describir cada clase, mientras que la eficiencia es alcanzada mediante distintos tipos de algoritmos de clasificación. El uso de atributos simples como la frecuencia de términos también reduce la complejidad de los algoritmos de preprocesamiento y extracción de características. Sin embargo, un problema de usar propiedades dependientes de los términos incluidos en cada página es la selección de la descripción de términos correspondiente para cada una de las clases. En este trabajo la selección de términos para cada clase se basa en el coeficiente TF-IDF, mientras que para generar el modelo se han realizado pruebas con algoritmos de redes bayesianas, árboles de decisión y máquina de soporte vectorial. Los resultados de nuestra evaluación muestran un clasificador rápido con una exactitud superior al 80%.