| Descripción: |
En esta Tesis Doctoral, presentamos algunas propuestas en las que las herramientas de la Programación Matemática se usan para obtener clasificadores que tengan algunas propiedades interesantes. En aplicaciones prácticas, el principal objetivo es obtener clasificadores con u n bajo porcentaje de objetos mal clasificados, pero el hecho de que, además, sean fácilmente interpretables, o baratos, o útiles para detectar el papel que juegan las distintas variables y sus interacciones, podría ser también de gran interés. Por ejemplo, en análisis de ADN, la interpratabilidad de las reglas de clasificación obtenidas es uno de los aspectos que influye en la elección de un método de predicción; así, a veces, se prefieren modelos fácilmente interpretables, que puedan proporcionar algún conocimiento médico más allá de la predicción. En algunos campos, tan diversos como diagnóstico de cáncer o valoración del crédito (en inglés, credit scoring), médicos o prestamistas podrían encontrar importante explicar fácilmente la regla de clasificación usada, y detectar qué combinaciones de variables son críticas en la predicción. Otras veces, la importancia o coste de clasificar correctamente un objeto o individuo varía dependiendo de la clase a la que éste pertenece. De esta manera, en muchas aplicaciones, tienen alto interés, métodos que tengan en cuenta dicha importancia o coste de clasificación incorrecta que depende de la clase. Nuestros objetivos principales en este trabajo son:1. Modelar, con técnicas basadas en SVM, problemas de clasificación que incorporen costes (de clasificación incorrecta, de medición de la variables de obtención de las características).2. Detectar automáticamente transformaciones no lineales de los datos, e interacciones relevantes entre las variables, por medio de SVM.3. Analizar empíricamente el comportamiento de los métodos propuestos, en bases de datos reales habituales en la literatura de Minería de Datos. |
