BETS. sistema de aprendizaje basado en la selección de ejemplos paradigmáticos

Abstract

Los sistemas de información basados en casos pueden ser vistos como algoritmos de aprendizaje automático perezosos; seleccionan unas cuantas instancias de entrenamiento y después clasifican los casos no vistos como las instancias almacenadas más similares. Una de las principales desventajas de estos sistemas es el alto número de patrones que se recuerdan. En esta tesis se presenta un nuevo método para extraer sólo un conjunto pequeño de paradigmas a partir de un conjunto de ejemplos de entrenamiento. El otro gran problema de los sitemas de aprendizaje automático basados en instancias es su dependencia de la medida usada para calcular la similaridad; se debe definir como manejar tanto datos simbólicos como numéricos en la misma jforma y es necesario asumir la posibilidad de que haya atributos irrelevantes describiendo las instancias. Por estojunto con la colecciónde los mejores ejemplos en el conjunto de entrenamiento (BETS, el nombre del sistema que aquí se porpone, es un acrónimo de inglés Best Examples in Training Set) se proporciona el conjunto de atributos que describen los ejemplos representativos y que son relevantes a los efectos de clasificación. El algoritmo BETS calcula mapas autoorganizados de Kohonen ligados a los conjuntos de entrenamiento para después calcular la cobertura de cada nodo del mapa. Finalmente un procedimiento heurístico selecciona tanto los paradigmas como las dimensiones o atributos que deben ser considerados cuando se mida la similaridad en futuras tareas de clasificación.