Selección de ejemplos para clasificaciónun enfoque basado en la caracterización de los datos de entrada

Resumen

La selección de Ejemplos ha sido abordada por numerosos autores desde épocas tan tempranas como la década del 60 del siglo pasado. Algunas propuestas han tenido más éxito en sus propósitos que otras, aunque hasta ahora ninguna ha demostrado ser indiscutiblemente superior a las restantes. De hecho, no parece probable que ningún enfoque particular pueda constituir una solución generalmente buena, es decir, que su desempeño esté al nivel de los mejores en cualquier conjunto de datos e independientemente del clasificador que se entrene con los ejemplos seleccionados. En cambio, es posible encontrar estrategias que tengan poca dependencia de las especificidades del problema y con esto aumentar la probabilidad de lograr un buen desempeño en entornos variados. Los enfoques meta-heurísticos constituyen un ejemplo de este tipo de estrategias. Gracias a su capacidad para explorar el espacio de soluciones, han demostrado excelentes resultados en cuanto a la reducción del número de ejemplos y la calidad de los modelos que de estos se obtienen. Sin embargo, su alto costo computacional que las pone en desventaja con respecto a otros enfoques a la hora de su aplicación práctica. Una alternativa que puede lograr similares resultados a los enfoques meta-heurísticos, pero con un costo computacional muy inferior, es el meta-aprendizaje. Este ha sido poco abordado hasta el momento en el campo de la selección de ejemplos. Básicamente, consiste en aprender modelos que sirvan para elegir entre varias estrategias de selección de ejemplos, aquella que mejor se adecúe a cada nuevo problema que se presente. El objetivo del presente trabajo ha sido desarrollar un modelo teórico para la aplicación del meta-aprendizaje al problema de la selección de ejemplos, que posibilite obtener métodos de selección de ejemplos cuyos desempeños sean similares a los métodos basados en meta-heurísticas pero su costo computacional sea sensiblemente inferior. Como resultado del mismo, se obtuvieron aportaciones teóricas y prácticas. Entre la primeras, las fundamentales son: Un sistema de medidas de complejidad de los datos, diseñado específicamente para su empleo como conjunto de atributos en el meta-aprendizaje para la selección de ejemplos. Un modelo teórico para la aplicación del meta-aprendizaje al problema de la selección de ejemplos. Una arquitectura para el desarrollo de sistemas para la selección de ejemplos basada en conocimiento. En cuanto a las aportaciones prácticas se destacan las siguientes: Dos instanciaciones de la arquitectura anterior, que constituyen nuevas alternativas para la selección de ejemplos. Un conjunto de meta-ejemplos para el problema de la selección de ejemplos. Un amplio estudio experimental que incluye más de 20 métodos de selección de ejemplos, 40 bases de datos y cuatro clasificadores.