Caracterización e interpretación de descripciones conceptuales en dominios poco estructurados

Abstract

El proyecto de investigación que se presenta en este trabajo de tesis doctoral, tiene como objetivo fundamental: el diseño de una Familia de Algoritmos con aprendizaje inductivo para clasificación supervisada, que permita identificar las características relevantes de las clases resultantes, obtenidas de una partición de referencia, las cuales proporcionen un Sistema de Caracterización útil en la Generación Automática de las Descripciones Conceptuales de estas clases con variables numéricas, para conocer la estructura semántica de los dominios poco estructurados, de bajo costo y útil en tareas de predicción y/o diagnóstico. Obtener, además, una metodología que permita hacer contribuciones a la validación de clases, en relación con su representación formal y su calidad, considerando esta última como la utilidad delas clases formadas a través del nivel característico de cada variable, dando como resultado una representación difusa de los grados de pertenencia de los valores de la variable a las distintas clases, lo que constituye un cómodo soporte al significado de las clases y en consecuencia a su interpretación. Y además, la validación de campo a través de la aplicación del modelo propuesto al control y administración de una planta de tratamiento de aguas residuales usando variables numéricas, lo cual permitió contrastar los resultados obtenidos del modelo matemático con la situación real. El modelo propuesto tiene como punto de partida el estudio del boxplot múltiple, la formalización de la metodología del sistema de caracterización de clases se hizo diseñando una nueva familia de algoritmos que no depende de la representación gráfica del boxplot, desde un punto de vista semántico, en comparación con otros métodos inductivos, cuando se aplica sobre datos provenientes de un dominio poco estructurado; además, de una nueva aproximación para discretizar el espacio de representación en términos de intervalos de longitud variable como base de la metodología, y contribuciones a la validación de la clasificación, en cuanto a su representación y calidad, en el sentido de que una clasificación es válida si probamos que las clases obtenidas tienen sentido o utilidad y a la generación automática de clases resultantes como base del proceso de predicción y/o diagnóstico. Los resultados que se han obtenido son prometedores, constituyendo un primer paso para establecer un modelo híbrido entre dos enfoques: el estadístico y el lógico combinatorio para abordar sistemas dinámicos en el contexto de los dominios poco estructurados, que nos permita la obtención tanto la caracterización de clases como sus descripciones conceptuales para describir los objetos de estudio.