Algoritmos de aprendizaje continuo mediante selección de prototipos para clasificadores basados

Abstract

En el mundo real los cambios son constantes; y la forma tradicional en que trabaja un clasificador no considera la modificación paulatina del conocimiento que éste posee, Para tratar de resolver esta dificultad, en la década de los años 90 surgen los algoritmos Parcialmente Supervisados. Una propuesta de estos algoritmos denominados de Aprendizaje Continuo. Dentro de este contexto, la tesis presenta una nueva regla de clasificación basada en distancia, que tiene en cuenta la probabilidad de pertenencia a la clase de cada uno de los vecinos más cercano a la muestra X, utilizando esta regla y, el esquema de edición de Wilson, presentamos un algoritmo de edición estocástico e implementamos una opción de rechazo. También en este trabajo con el objetivo de reducir la tala del conjunto de entrenamiento, valiéndonos de una función de densidad local hemos desarrollado técnicas de condensado estocástico. Finalmente, la mayor contribución de esta tesis, está dirigida al diseño y a la evaluación de un algoritmo de aprendizaje continuo, que no solamente pueda aprender con objetos etiquetados, sino también beneficiarse de la experiencia obtenida cuando clasifica nuevos objetos no etiquetados.