Sistema de clasificadores heterogéneos para toma de decisión conjunta basada en agregación de información mediante integrales borrosas

Resumen

Resumen La investigación en el diseño de sistemas de toma de decisión colectiva busca mejorar las tasas y la robustez de clasificación. Los clasificadores que tienen algún grado de diversidad en su conocimiento pueden presentar diferentes patrones de errores. Esta observación sugiere que un sistema de clasificadores, dependiendo de la inteligencia de su combinación, puede mejorar la precisión de un único clasificador. La eficacia del sistema radica en la capacidad del método de combinación de evitar el traslado de errores individuales en la decisión colectiva. Esta tesis está dedicada al estudio del diseño eficiente de sistemas de clasificación conjunta. El método propuesto considera un conjunto de número variable de clasificadores heterogéneos, generalistas, y no adaptados a una regla de combinación específica. La propuesta de diseño permite una selección de subconjuntos cooperativos haciendo uso de la caracterización del comportamiento individual y colectivo de los clasificadores. Los aspectos del comportamiento considerados en la selección están condicionados en distintos grados al método de combinación a ser usado, pero en ningún caso se utilizará una descripción exhaustiva. Abstract The research on the design of collective decision making systems looks for the classification rates and robustness improvement. The diversity on the classifiers knowledge may provide different error patterns. This observation suggests that multiple classifiers can enhance the accuracy of a single one, depending on the combination cleverness. The key point for the multiclassifier efficacy is the ability of decision combination method to avoid the transference of individual mistakes to the collective result. This thesis is devoted to the study of efficient design of classifier systems, starting from a dynamic set of heterogeneous classifiers, which are generalist and non adapted to a specific combination rule. The proposed designing method allows a systematic selection of cooperative classifiers subsets by utilizing the characterization of individual and collective behavior of classifiers. The considered behavior characterization can be more or less combination rule adaptive, but in no case the exhaustive classifiers description will be considered.