Resumen

Ms all de la aplicacin de modelos predictivos de aprendizaje automtico a tareas estticas, existe un corpus significativo de investigacin que aplica modelos predictivos de aprendizaje automtico a entornos de streaming que incurren en la deriva conceptual. Con la prevalencia de las aplicaciones de streaming en el mundo real, asociadas a cambios en la distribucin de los datos subyacentes, es difcil exagerar la necesidad de aplicaciones capaces de adaptarse a entornos dinmicos que evolucionan y varan con el tiempo. Los entornos dinmicos no son estacionarios y cambian con el tiempo, y las variables objetivo que debe predecir el algoritmo de aprendizaje y a menudo evolucionan con el tiempo, fenmeno conocido como deriva de conceptos. La mayora de los trabajos sobre el tratamiento de la deriva de conceptos se centran en la actualizacin del modelo de prediccin para que pueda recuperarse de la deriva de conceptos, mientras que se han dedicado pocos esfuerzos a la formulacin de un sistema de aprendizaje que sea capaz de aprender distintos tipos de conceptos a la deriva en cualquier momento con unos gastos generales mnimos. Este trabajo propone un clasificador de flujo de datos novedoso y evolutivo llamado Clasificador de Seleccin de Conjuntos Adaptativo Diversificado (ADES) que optimiza significativamente la adaptacin a diferentes tipos de conceptos a la deriva en cualquier momento y mejora la convergencia a nuevos conceptos explotando diferentes cantidades de diversidad de conjuntos. El algoritmo ADES genera diversos clasificadores de base, optimizando as la distribucin de mrgenes para explotar la diversidad del conjunto y formular un clasificador de conjunto que generalice bien a instancias no vistas y proporcione una rpida recuperacin ante diferentes tipos de deriva de conceptos. Los experimentos empricos realizados con flujos de datos artificiales y reales demuestran que ADES puede adaptarse a distintos tipos de desviaciones en cualquier momento. El rendimiento de prediccin de ADES se compara con el de otros tres clasificadores ensemble diseados para manejar la deriva conceptual utilizando flujos de datos tanto artificiales como del mundo real. La evaluacin comparativa realizada demostr la capacidad de ADES para manejar distintos tipos de derivas conceptuales. Los resultados experimentales, incluidos los resultados de las pruebas estadsticas, indican rendimientos comparables con otros algoritmos diseados para manejar la deriva conceptual y demuestran su importancia y eficacia.

• Materias:Inteligencia artificial Aplicación móvil Asistencia tecnológica a personas con discapacidad Tecnología en educación
• Subjects:Artificial intelligence Mobile application Technological assistance to people with disabilities Technology in education
• Palabras claves:Aprendizaje automático; Deriva de conceptos; Entornos de streaming; Clasificador de selección de conjuntos diversificado adaptativo; Diversidad de conjuntos; Rendimiento de la predicción.
• Keywords:Machine learning; Concept drift; Streaming environments; Adaptive diversified ensemble selection classifier; Ensemble diversity; Prediction performance