Glosario IA
El diccionario completo de la Inteligencia Artificial
Selección Dinámica de Conjuntos (DES)
Método de agregación donde el subconjunto de modelos a utilizar para la predicción se selecciona dinámicamente para cada nueva instancia, en función de sus características específicas y de la competencia de los modelos en la región local del espacio de entrada.
Selección Estática de Conjuntos (SES)
Enfoque donde un subconjunto fijo de clasificadores se elige una sola vez en el conjunto de validación, luego se utiliza de manera idéntica para todas las instancias futuras, a diferencia de la selección dinámica que se adapta instancia por instancia.
Región Local de Competencia
Vecindario alrededor de una instancia de prueba, definido por una métrica de distancia, en el cual se evalúa la competencia de los modelos base para decidir qué modelos utilizar para la predicción de esta instancia.
K-Nearest Oracle (KNORA)
Familia de algoritmos DES que seleccionan los modelos basándose en su rendimiento en los k vecinos más cercanos de la instancia de prueba, con variantes como KNORA-E (eliminación) y KNORA-U (unión).
Comportamiento Múltiple de Clasificadores (MCB)
Técnica que analiza el comportamiento de los clasificadores en instancias etiquetadas para identificar regiones donde ciertos modelos son más confiables, guiando así la selección dinámica.
Selección Dinámica vs. Ponderación Dinámica
Distinción donde la selección dinámica elige un subconjunto de modelos, mientras que la ponderación dinámica asigna pesos a todos los modelos para la predicción final, ambos adaptándose instancia por instancia.
DES Homogéneo vs. Heterogéneo
Diferenciación donde los DES homogéneos utilizan modelos base del mismo tipo (ej: todos árboles de decisión), mientras que los heterogéneos combinan diferentes tipos de algoritmos para una mayor diversidad.
Estimación de Región de Competencia
Proceso de determinación del vecindario pertinente para una instancia de prueba, crucial para evaluar la competencia local de los modelos, a menudo basado en métricas como la distancia euclidiana o la similitud coseno.
DES con Pre-procesamiento
Enfoque donde se aplican técnicas de pre-procesamiento, como la reducción de dimensionalidad o el sobremuestreo, para mejorar la definición de las regiones de competencia antes de la selección dinámica de modelos.
DES en Línea
Variante de la selección dinámica de conjuntos diseñada para flujos de datos, donde la competencia de los modelos y la selección se actualizan continuamente a medida que nuevas instancias llegan.
Algoritmo DespeRt
Algoritmo DES que evalúa la competencia de los clasificadores basándose en la distribución de los niveles de confianza de las predicciones sobre los k vecinos más cercanos, favoreciendo los modelos tanto competentes como diversificados.
DES a Priori vs. a Posteriori
Distinción donde los métodos a priori seleccionan los modelos antes de ver sus predicciones para la instancia de prueba, mientras que los métodos a posteriori seleccionan después de haber observado estas predicciones.
Selección Dinámica de Conjuntos para Datos Desequilibrados
Adaptación de los métodos DES para manejar conjuntos de datos desequilibrados, donde la selección de modelos puede sesgarse para mejorar la detección de la clase minoritaria.
Selección Dinámica Basada en Competencia
Paradigma central en DES donde la decisión de seleccionar un modelo se basa únicamente en una estimación de su competencia local para la instancia considerada, en lugar de en su rendimiento global.