Trimming methods for model validation and supervised classification in the presence of contamination

Abstract

En esta tesis exploramos el uso de los métodos de recorte en dos problemas estadísticos diferentes: la validación de modelos y el aprendizaje supervisado. En estas dos configuraciones propondremos y analizaremos nuevos procedimientos que se basan en el uso de recortes. Observamos en este punto que los nuevos métodos no sólo comparten un uso coincidente del recorte. De hecho, el recorte es la base de lo que podríamos llamar "validación esencial de modelos" o "clasificación esencial" lo que significa que estamos cambiando nuestro paradigma a través del uso de recortes y estamos tratando con nuevas versiones de la validación de modelos o del problema de clasificación. Intentaremos determinar si el generador aleatorio subyacente a una muestra puede ser asumido como una versión ligeramente contaminada de un modelo dado o identificar clasificadores simples que funcionan bien en una gran fracción de las instancias. Todo esto se hará con un uso sistemático de métodos de recorte y conceptos relacionados.