Clasificadores con pesos funcionales por puertas
- Omari, Adil
- Aníbal Ramón Figueiras Vidal Director/a
Universidad de defensa: Universidad Carlos III de Madrid
Fecha de defensa: 24 de septiembre de 2014
- José Ramón Dorronsoro Ibero Presidente/a
- Antonio Artés Rodríguez Secretario/a
- Francisco Herrera Triguero Vocal
Tipo: Tesis
Resumen
Los conjuntos de máquinas de aprendizaje representan una herramienta poderosa en muchas aplicaciones, porque ofrecen mejores soluciones que una única máquina, proporcionando, además, un diseño más sencillo y comprensible. Entre estos conjuntos cabe destacar, por la solidez de sus fundamentos y sus buenas prestaciones en problemas de regresión, las Mezclas de Expertos. Sin embargo, sus prestaciones para la la toma de decisiones están muy por debajo de las obtenidas por los mejores diseños. En primer lugar, se presenta una modificación de las Mezclas de Expertos con expertos lineales que da como resultado una máquina de clasificación monolítica, a la que se denomina Clasificador con Pesos Funcionales Generados por Puerta (“Gate Generated Functional Weight Classifier”), cuya salida se obtiene como combinación lineal de las entradas multiplicadas por los pesos funcionales proporcionados por una puerta con arquitectura de Red Neuronal de Funciones de Base Radial que se puede entrenar de forma directa mediante un algoritmo Máximo Margen. Así se consigue una máquina con capacidad de aproximación global-local y con un comportamiento localmente lineal, lo que permite entender de forma aproximada su funcionamiento. Los resultados obtenidos indican que la arquitectura propuesta es, en términos generales, ventajosa respecto a métodos que representan el estado del arte en problemas de clasificación, con baja carga computacional en operación, si bien a cambio de un incremento de carga computacional en diseño. En segundo lugar, se propone el uso de la salida de un conjunto como entrada complementaria de un Clasificador con Pesos Funcionales Generados por Puerta, para solventar las limitaciones debidas al uso de agregaciones no entrenables –tales como simple promedio o mayoría de votos– en conjuntos masivos de clasificadores. Se denominará a este procedimiento postagregación. Los resultados obtenidos indican que la postagregación es ventajosa especialmente en escenarios en los que el Clasificador con Pesos Funcionales Generados por Puerta sólo disponen de una parte de las variables observadas del problema, escenarios frecuentes en los sistemas de aprendizaje distribuido, y también cuando se consideran expertos humanos.