Estudio de Bootstrapping en algoritmos de clasificación

Abstract

Este documento recoge un estudio de la aplicación de técnicas basadas en bootstrapping a problemas de clasificación. La primera técnica, el bagging, pretende mejorar los resultados y la estabilidad del clasificador mediante un conjunto de expertos entrenados con elementos muestreados mediante bootstrapping. La segunda técnica tiene como objetivo realizar una predicción del ratio de acierto de un clasificador entrenado mediante bagging con una confianza determinada. Para la realización del estudio se ha probado cada una de las técnicas en tres problemas de clasificación distintos, dos de ellos multiclase, con el objetivo de comprobar si las técnicas estudiadas tienen impactos diferentes en cada uno de los problemas. El objetivo final del estudio es el desarrollo de estos algoritmos de mejora de resultados y la comprobación de que realmente se consigue una mejora sustancial de los mismos.

The following report analyzes a study of the application of several techniques based on bootstrapping to a classification problem. The first of these techniques, the bagging technique, seeks to improve the results and the stability of the classifier by means of a group of experts trained with elements sampled using bootstrapping techniques. The second technique’s goal is to make a prediction of the success rate of the classifier trained using bagging techniques with a designed confidence. To conduct the study, each of these techniques have been tested on three different classification problems, two of them being multiclass, in order to observe if their impact varies from one problem to another. The main goal of the study is the development of the algorithms and checking that there is actually a notable improvement in the results obtained.