Glosario IA
El diccionario completo de la Inteligencia Artificial
Rotation Forest
Método de conjunto que construye árboles de decisión sobre conjuntos de características transformadas por Análisis de Componentes Principales (ACP) para maximizar la diversidad entre los clasificadores base.
ACP sobre subconjuntos
Aplicación del Análisis de Componentes Principales a particiones aleatorias del espacio de características, creando ejes de proyección distintos para cada clasificador del bosque.
Matriz de rotación
Matriz ortogonal resultante del ACP, utilizada para proyectar los datos en un nuevo espacio de características, asegurando la decorrelación y diversidad de las predicciones de los árboles.
Diversidad de clasificador
Principio fundamental de los métodos de conjunto que busca maximizar las diferencias de predicciones entre los modelos base para reducir la varianza global y mejorar la generalización.
Bagging con transformación
Extensión del Bootstrap Aggregating donde las muestras bootstrap sufren una transformación del espacio de características antes del entrenamiento de cada modelo base.
Selección de características por grupo
Técnica de particionamiento de variables en subconjuntos disjuntos sobre los cuales se aplican transformaciones independientes, aumentando la heterogeneidad de los clasificadores.
K-fold feature splitting
Estrategia de división de características en K grupos para Rotation Forest, donde cada grupo se transforma separadamente antes de ser recombinado para formar el conjunto final de características.
Espacio de características aumentado
Nuevo espacio de representación creado por la concatenación de las componentes principales provenientes de cada subconjunto de características, preservando toda la información original mientras aumenta la diversidad.
Árbol de decisión sobre datos proyectados
Clasificador base en el Rotation Forest entrenado sobre datos previamente proyectados en un espacio transformado por PCA, donde los nodos de decisión operan sobre combinaciones lineales de características originales.
Coeficientes de rotación
Parámetros de la matriz de transformación ortogonal que definen cómo cada característica original contribuye a los nuevos componentes principales para un árbol específico del bosque.
Varianza explicada por componente
Métrica derivada del PCA que indica la proporción de la varianza total de los datos capturada por cada componente principal, influyendo en la calidad de la transformación en el Rotation Forest.
Ortogonalización de características
Proceso matemático que garantiza la independencia lineal entre las nuevas características creadas, esencial para evitar la redundancia y maximizar la diversidad en los conjuntos.
Conjunto heterogéneo
Colección de clasificadores base que operan sobre espacios de características diferentes, como en el Rotation Forest donde cada árbol ve una rotación única de los datos de entrada.
Reducción de covarianza
Objetivo del Rotation Forest que busca minimizar la covarianza entre los errores de los diferentes clasificadores forzándolos a operar sobre representaciones descorrelacionadas de los datos.
Proyección lineal local
Transformación específica para cada árbol del bosque, aplicada únicamente a un subconjunto de características, creando una perspectiva única sobre los datos para ese clasificador particular.
Estabilidad del PCA
Robustez de la descomposición en componentes principales frente a variaciones en los datos de entrenamiento, un factor crítico para el rendimiento y la consistencia del Rotation Forest.
Hiperparámetro de grupo
Parámetro que controla el número de características por grupo en el Rotation Forest, influyendo directamente en el equilibrio entre la diversidad de clasificadores y la información preservada en cada transformación.