Selection Procedures in Machine Learning: Scores, Estimations, and Reproducibility

• Autores: Ari Urkullu Villanueva
• Directores de la Tesis: Borja Calvo Molinos (dir. tes.) , Aritz Pérez Martínez (codir. tes.)
• Lectura: En la Universidad del País Vasco - Euskal Herriko Unibertsitatea ( España ) en 2025
• Idioma: inglés
• Enlaces
  • Tesis en acceso abierto en: ADDI
• Resumen

  • La clasificación supervisada se erige como un problema fundamental en el aprendizaje automático, siendo los procedimientos para la selección de características y modelos de máxima importancia en este contexto. En este ámbito, surgen tres desafíos clave relacionados con la selección de modelos y características: determinarla medida de calidad adecuada que guíe el proceso de selección, estimar con precisión dicha medida de calidad a partir de los datos proporcionados, y analizar el impacto de la incertidumbre en la reproducibilidad del proceso de selección. Esta disertación aborda estos tres aspectos relacionados con la selección utilizados en la clasificación supervisada. En el ámbito de selección de clasificadores en entornos de datos generados mediante crowdsourcing, se plantean y estudian tres métodos para estimar el AUC cuando la verdad subyacente no está disponible. En el ámbito de la selección de características basada en rankings, se propone un modelo estadístico para medir la reproducibilidad de los algoritmos de selección de características basada en ranking. También en el ámbito de la selección de características basada en rankings, se proponen medidas alternativas a las pruebas estadísticas tradicionales que ofrecen un mejor compromiso entre reproducibilidad y desempeño en la selección de características.