En esta tesis se abordan estos problemas a través del método mimético, el cual puede verse como una forma general de extraer una explicación (en forma de árboles de decisión o sistemas de reglas) de cualquier modelo existente sin considerar ningún mecanismo interno del mismo (esto es, considerándolo una caja negra), La técnica mimética puede verse como un "re-aprendizaje", donde se generan datos, que al etiquetarse por el modelo existente, sirven para aprender un "nuevo" modelo que imita o "mimetiza" el original. En primer lugar, estudiamos teóricamente el comportamiento del método mimético usando como herramienta las curvas de aprendizaje, analizamos el efecto de usar o no el conjunto de entrenamiento del modelo original, caracterizamos los escenarios en los que la técnica es beneficiosa, atendiendo a la precisión del modelo mimético, etc.. En segundo lugar, realizamos una evaluación experimental de la técnica usando conjuntos de datos del repositorio UCI y considerando dos casos generales de estudio: incluyendo o no el conjunto de datos originales. Dentro de esta evaluación experimental, estudiamos algunos de los factores que influyen en el método, como por ejemplo, el nivel de poda, el nivel de confianza, el tamaño de los datos inventados, etc., así como su influencia combinada. El objetivo del estudio de estos factores ha sido encontrar un ajuste de los mismos para obtener un compromiso entre comprensibilidad y precisión, que ha permitido establecer "procedimientos" para aplicar el método mimético de una manera óptima.
En tercer lugar, y como aportación más novedosa de la tesis, ampliamos las fronteras de aplicación del método mimético a la contextualización de modelos. La contextualización o adaptación es necesaria en la vida de todo modelo y pretende alargar la vida útil del mismo. Los cambios de contexto se pueden presentar de diferentes maneras, como por ejemplo, la aparición de nuevos datos que anteriormente no existían
© 2008-2024 Fundación Dialnet · Todos los derechos reservados