Aprendizaje y clasificación basados en criterios de vecindad. Métodos alternativos y análisis comparativo

Laburpena

El contenido de esta Tesis incide directamente sobre un conjunto de técnicas de clasificación y aprendizaje basadas en criterios de vecindad sobre espacios métricos, algunas de las cuales (por ejemplo, la regla de los k-Vecinos más Próximos) han estado consideradas como una aproximación cuasi-óptima para un gran número de problemas de estimación, convirtiéndose además en punto de referencia obligado para el desarrollo de otros muchos procedimientos, A lo largo de este trabajo, proponemos un conjunto de conceptos y métodos alternativos a las aproximaciones clásicas basadas en criterios de vecindad, con el objetivo de superar ciertas deficiencias derivadas básicamente de la pérdida de efectividad a medida que la cantidad y la calidad de la información que utilizan disminuye, así como de la complejidad temporal que su aplicación puede suponer. Los esquemas introducidos en cada apartado son empíricamente comparados con las principales técnicas convencionales, en aras de evaluar y valorar las ventajas e inconvenientes del comportamiento exhibido por cada uno de ellos. En general, los resultados permiten garantizar una cierta superioridad de los nuevos métodos sobre problemas reales, conservando además el comportamiento óptimo en el caso asintótico.