Complejidad del Aprendizaje y Muestreo de Ejemplos en Sistemas Clasificadores

Abstract

Este trabajo se centra en la aplicación de los Sistemas Clasificadores basados en Algoritmos Genéticos a problemas de aprendizaje supervisado o aprendizaje a partir de ejemplo. Concretamente, se estudia la dependencia entre la complejidad del aprendizaje del sistema clasificador y la representatividad de los ejemplos en el conjunto de entrenamiento. A partir de ahí, se propone un método de muestreo del conjunto de ejemplos de entrenamiento basado en los resultados parciales del sistema clasificador, de forma similar al método de boosting. El objetivo es intensificar el aprendizaje en las regiones de clasificación más difíciles para aumentar la velocidad de convergencia y a la vez, el porcentaje de aciertos.