Resumen

El aprendizaje activo es el problema de la construcción interactiva del conjunto de entrenamiento utilizado en la clasificación con el fin de reducir su tamaño. Lo ideal sería añadir sucesivamente el par instancia-etiqueta que más disminuya el error de clasificación. Sin embargo, el efecto de la adición de un par no se conoce de antemano. Se puede estimar con los pares que ya están en el conjunto de entrenamiento. La minimización en línea del error de clasificación implica un compromiso entre la exploración y la explotación. Se trata de un problema común en el aprendizaje automático para el que el bandido multiarmado, que utiliza el enfoque del optimismo ante la incertidumbre, ha demostrado ser muy eficiente en los últimos años. Este trabajo presenta tres algoritmos para el problema de aprendizaje activo en clasificación utilizando el Optimismo ante la Incertidumbre. Los experimentos llevados a cabo en problemas incorporados y conjuntos de datos del mundo real demuestran que se comparan positivamente con los métodos del estado del arte.

• Materias:Inteligencia artificial Algoritmos genéticos Ingeniería civil Neurociencia Cognitiva
• Subjects:Artificial intelligence Genetic algorithms Civil engineering Cognitive Neuroscience
• Palabras claves:frente a la incertidumbre, error de clasificación, conjunto de entrenamiento, problema de aprendizaje activo, enfoque de optimismo, conjuntos de datos del mundo real, clasificación, último año, aprendizaje automático, minimización en línea
• Keywords:face of uncertainty, classification error, training set, active learning problem, approach of optimism, real world datasets, classification, last year, machine learning, online minimization