Glosario IA
El diccionario completo de la Inteligencia Artificial
Clasificador de Voto Mayoritario (Voto Duro)
Método de agregación donde la predicción final es la clase que recibe más votos entre un conjunto de clasificadores independientes, cada modelo tiene un peso igual.
Clasificador de Voto Promediado (Voto Suave)
Técnica de agregación que calcula el promedio de las probabilidades predichas por cada clasificador para cada clase, la clase con la probabilidad más alta es elegida como predicción final.
Ponderación de Clasificadores
Estrategia que consiste en asignar pesos diferentes a cada clasificador en un sistema de votación, basados en su rendimiento individual o su experiencia en subconjuntos de datos específicos.
Heterogeneidad de Modelos
Principio fundamental del clasificador de votación que establece que los modelos combinados deben ser de tipos diferentes (ej: árbol de decisión, SVM, regresión logística) para reducir la correlación de errores.
Agregación de Predicciones
Proceso de combinar las salidas de varios modelos en una sola predicción final, en el corazón del funcionamiento de los clasificadores por votación.
Error de Generalización en Conjunto
Tasa de error del modelo combinado en datos no vistos, a menudo inferior al error de cada clasificador individual gracias al efecto de suavizado del voto.
Voto Ponderado por la Confianza
Variante del voto suave donde el peso de cada clasificador es proporcional a su nivel de confianza (probabilidad máxima) para su predicción, favoreciendo las predicciones más seguras.
Clasificador de Voto Condorcet
Método de votación donde el ganador es el clasificador que vencería a cada otro clasificador en una serie de confrontaciones por pares sobre el conjunto de datos.
Matriz de Confianza Agregada
Matriz que combina las matrices de confusión o las probabilidades de salida de cada clasificador para evaluar el rendimiento global e identificar los puntos débiles comunes del conjunto.
Entrenamiento Paralelo de Clasificadores
Enfoque donde cada modelo del conjunto es entrenado independiente y simultáneamente sobre la totalidad del conjunto de datos, optimizando el tiempo de cálculo para los sistemas de votación.
Frontera de Decisión Agregada
Superficie de decisión compleja resultante de la combinación de las fronteras de decisión de cada clasificador individual, a menudo más robusta y menos propensa al sobreajuste.
Voto por Pluralidad
Sistema de votación donde la clase predicha es la que obtiene más votos, incluso si no alcanza la mayoría absoluta (más del 50%), a diferencia del voto mayoritario estricto.
Análisis de Sesgo-Varianza en Conjunto
Estudio de cómo la votación combina modelos con alto sesgo y baja varianza con modelos de bajo sesgo y alta varianza para obtener un compromiso óptimo.
Meta-Clasificador de Votación
Modelo de nivel superior que aprende a combinar las predicciones de los clasificadores base, pudiendo ir más allá del simple voto aprendiendo pesos óptimos o reglas de combinación complejas.
Estabilidad del Voto
Medida de la constancia de la predicción final del conjunto frente a pequeñas variaciones de los datos de entrada o de los parámetros de los clasificadores individuales.
Voto con Umbral Dinámico
Técnica donde el umbral de decisión para el voto mayoritario o ponderado se ajusta en función de la distribución de probabilidades o de la dificultad de la muestra a clasificar.
Descomposición del Error en Conjunto
Análisis matemático que separa el error total del conjunto en error de sesgo, error de varianza y covarianza entre los errores de los clasificadores individuales.