Evolución de proyecciones lineales para aprendizaje automático

En este proyecto se van a utilizar técnicas evolutivas para mejorar los resultados en tareas de clasificación y regresión de aprendizaje automático. Un algoritmo genético es un tipo especial de algoritmo que se inspira en la evolución biológica para encontrar soluciones a problemas y puede utilizarse para optimizar funciones. Por otro lado, muchos de los algoritmos de aprendizaje automático pueden aprender de un conjunto de datos clasificando a los nuevos datos teniendo en cuenta cómo están clasificados datos similares. Se puede mejorar la precisión de los algoritmos de aprendizaje (clasificación o regresión) transformando el espacio en el que se representan los datos. Esta transformación puede llevarse a cabo de manera lineal, multiplicando los datos por una matriz. Una transformación lineal es una función entre dos espacios vectoriales que preserva las operaciones de suma y producto por un escalar. El objetivo principal del proyecto es utilizar técnicas evolutivas para encontrar la matriz M que optimice el porcentaje de aciertos en problemas de clasificación (o el error cuadrático en problemas de regresión). Es decir, se espera que para un algoritmo de clasificación dado, que denominaremos algoritmo base (por ejemplo, J48), el porcentaje de aciertos en test para el conjunto de datos transformados x’ sea mas alto que para el conjunto original x. La matriz M no es más que un conjunto de valores reales, y se sabe que las técnicas evolutivas son apropiadas para optimizar cromosomas compuestos de reales. La función a optimizar (la función de fitness) será el porcentaje de aciertos obtenido al transformar los datos de entrenamiento con el individuo (una matriz M concreta). En el presente proyecto no sólo se quieren implementar y probar las ideas anteriores, sino integrarlas dentro del sistema de aprendizaje automático Weka, para que la transformación de datos pueda ser utilizada con cualquiera de los algoritmos y filtros proporcionados por dicha herramienta. De hecho, nuestra proyección evolutiva será implementada como un meta-algoritmo, que use otro algoritmo base, que será el beneficiario de la proyección. A pesar de que Weka permite la integración de nuevos algoritmos, este proceso está lejos de ser trivial, por lo que la inclusión de la técnica evolutiva dentro de Weka es una parte importante de este proyecto y ha consumido una buena parte del tiempo del mismo. Además, el meta-algoritmo permite una exhaustiva configuración de los más importantes parámetros que intervienen en un algoritmo evolutivo en general (tamaño de la población, constante de decremento…) y, en este en particular (tipo de matriz (completa, simétrica o diagonal), exponente…). Por último, también se llevará a cabo una validación experimental del sistema desarrollado.Ingeniería en Informátic