Las grandes bases de datos son un reto hoy en día, ya que existe la necesidad de algoritmos de procesamiento más rápidos y confiables. Cuando se utilizan técnicas de aprendizaje automatizado, a menudo involucra un alto costo computacional asociado con el tiempo de entrenamiento; pero no es necesario un nuevo algoritmo si se selecciona el apropiado. Por esta razón, el presente artículo se propone como objetivo: realizar un estudio experimental para comparar un algoritmo conocido y simple llamado Voting Feature Intervals (VFI), con otros influyentes clasificadores, con base en la precisión de la clasificación. La experimentación se llevó a cabo mediante la herramienta WEKA, y se utilizó la metodología estadística de Demšar para evaluar los resultados. Finalmente, se mostró que su comportamiento, en cuanto a la correctitud de la clasificación, no es significativamente peor que otros algoritmos bien conocidos, mientras que su entrenamiento y tiempo de clasificación es lo suficientemente rápido en grandes bases de datos.
Big databases are a challenge nowadays, so there is a need for faster and reliable data processing algorithms. When machine learning techniques are used, there is often a high computational cost associated with the training time. But there is no need for a new algorithm if we select the appropriate one. For this reason, this paper reports de results of an experimental study for comparing a known and simple algorithm, called Voting Feature Intervals (VFI), with other influential classifiers based on the classification accuracy. We used the WEKA tool to carry out the experiment, and Demšar’s statistical methodology for evaluating the results. Finally, we showed that its behavior, in terms of classification accuracy, is not significantly worse than other well-known algorithms while its training and classification time is fast enough on large data sets.