APRENDIZAJE AUTOMATICO EN CONJUNTOS DE CLASIFICADORES HETEROGENEOS Y MODELADO DE AGENTES

Una de las áreas que más auge ha tenido en los últimos años dentro del aprendizaje automático es aquella en donde se combinan las decisiones de clasificadores individuales. Esto se hace con la finalidad de que la decisión final de a qué clase pertenece un ejemplo sea tomada por un conjunto de clasificadores. Entre los algoritmos de generación de conjuntos se encuentra Stacking, el cual genera los clasificadores del conjunto a partir de distintos algoritmos de aprendizaje y utilizando dos niveles de aprendizaje. Un problema inherente a Stacking es determinar la configuración de los parámetros de aprendizaje del algoritmo, entre ellos, qué algoritmos deben ser utilizados en la generación de los clasificadores del conjunto. Esta tesis doctoral propone la utilización de Algoritmos Genéticos, como técnica de optimización, para encontrar la configuración adecuada de los parámetros de Stacking. En situaciones competitivas y/o colaborativas, el conocimiento que se posea sobre los individuos involucrados en el escenario, proporciona una clara ventaja a la hora de tomar una decisión. Existen diversas formas de adquirir este conocimiento, una de ellas es a través del modelado del comportamiento de los agentes. Un segundo objetivo de esta tesis doctoral es la utilización de técnicas de aprendizaje automático para la adquisición de estos modelos.