Nuevos enfoques en aprendizaje incremental

Abstract

En esta tesis se presentan distintas aportaciones en el ámbito del aprendizaje incremental, Se dirigen fundamentalmente a mejorar algoritmos basados en cotas de concentración y algoritmos que inducen sistemas multiclasificadores. En el contexto de los algoritmos basados en cotas de concentración se destaca la presentación del algoritmo IADEM-2, que incluye una serie de contribuciones dirigidas a avanzar en tres aspectos fundamentalmente: mejorar la convergencia del algoritmo, conseguir mayor calidad en los modelos que se induzcan y desarrollar un proceso de predicción más informado. Se trata de un algoritmo sin memoria de experiencias que combina las cotas Chernoff y Hoeffding para estimar las variables que serán utilizadas en proceso de inducción del modelo. El conocimiento que extrae se presenta usando árboles de decisión y el objetivo principal que se pretende alcanzar es la inducción de un modelo que sea, al menos, tan preciso como demande el usuario (si dicha inducción es posible). En cuanto a los algoritmos que inducen sistemas multiclasificadores enfocados al aprendizaje incremental se ha propuesto la utilización de filtros correctos. Dichos filtros correctores pretenden modelar qué partes del espacio son correctamente aprendidas por los diferentes modelos básicos y sus uso servirá para realizar predicciones más informadas. En este apartado se ha diseñado el algoritmo MultiCIDIM-DS-CFC.