RT info:eu-repo/semantics/bachelorThesis
T1 Técnicas para la corrección del desplazamiento de covarianzas en clasificación supervisada
A1 Ramos Jimeno, Javier
A2 Universidad de Valladolid. Facultad de Ciencias
K1 Desplazamiento de covarianzas
K1 Covariate Shift
K1 Métodos de estimación de importancia
AB En los métodos de aprendizaje supervisado se suele asumir que la distribución de los datosde entrenamiento y test son iguales lo que permite simplificar el desarrollo de los modelos. Sinembargo, en muchas ocasiones esto no es cierto, lo que puede llevar a malos resultados. Poreste motivo, se han desarrollado metodologías que permiten adaptarse a estos cambios en lasdistribuciones.En concreto, este trabajo se centra en el covariate shift donde las distribuciones marginales delas instancias son distintas pero las condicionales respecto de las etiquetas permanecen constantes. Para adaptarse al covariate shift se utiliza un peso, al que se denomina importancia, quese aplica a las muestras de entrenamiento para intentar corregir la diferencia entre las distribuciones. De forma que, el valor del peso dependerá, únicamente, de cómo de probable es queuna muestra de entrenamiento pueda aparecer dentro del conjunto de test. El problema es quepara calcularlo de manera exacta es necesario conocer las distribuciones de los datos, lo que enla práctica, no es posible.Por este motivo, existen diferentes métodos que permiten estimar la importancia. En estetrabajo se profundiza en algunos de los métodos del estado del arte para hacer esta estimacióncomo son KDE, obtención de los pesos usando regresión logística, KMM, KLIEP, LSIF o uLSIF.Además, también se han implementado todos en Python y con ellos se han realizado multitudde experimentos usando datos sintéticos.
YR 2025
FD 2025
LK https://uvadoc.uva.es/handle/10324/77921
UL https://uvadoc.uva.es/handle/10324/77921
LA spa
NO Departamento de Estadística e Investigación Operativa
DS UVaDOC
RD 21-sep-2025