Este trabajo se centra en problemas de aprendizaje supervisado, principalmente
en el problema de clasificación. La disponibilidad computacional ha
hecho aumentar de forma notable la cantidad y variedad de reglas de clasificación que se pueden ajustar. Es habitual encontrar situaciones en las que sobre
un conjunto reducido de casos (n=100, 1000) se ha registrado una cantidad
de información de variables respuesta (p=(10)5, (10)6). En estas condiciones
es muy fácil encontrar reglas que tengan un buen comportamiento sobre la
muestra. Sin embargo, sin un buen entendimiento del comportamiento probabilístico de los métodos empleados para seleccionar tales reglas se puede
llegar a aceptar reglas con capacidad predictiva muy limitada. Este trabajo
se dedica precisamente a estudiar este comportamiento probabilístico y a
analizar las propiedades de tres de los principios más habituales de selección
de reglas de clasificación actualmente: minimización del riesgo estructural,
máquinas de soporte vectorial y lasso.
Exceto quando indicado o contrário, a licença deste item é descrito como Attribution-NonCommercial-NoDerivatives 4.0 International