Proponen nuevos métodos para mejorar el aprendizaje automático de las máquinas

Mikel Galar Idoate, ingeniero informático y doctor por la Universidad Pública de Navarra, ha propuesto nuevos métodos para obtener mejores resultados en la clasificación automática. Actualmente trabaja en un proyecto de investigación sobre autenticación biométrica por medio de huellas dactilares. El aprendizaje automático de las máquinas, es decir, tratar de que las máquinas aprendan de manera automática a partir de situaciones ya conocidas previamente, ha sido el ámbito de investigación de Mikel Galar Idoate, que ha leído su tesis doctoral en la Universidad Pública de Navarra.

En concreto, la investigación de Mikel Galar se ha centrado en los problemas de clasificación. “Imaginemos que estudiamos un tipo de cáncer —explica—: extraemos los datos de ciertos tejidos y definimos a qué clase pueden pertenecer. Mediante la clasificación automática, la máquina trata de asignar a cada tejido una de las clases predefinidas: cancerígeno, benigno o maligno. Lo que intentamos es que la máquina aprenda a clasificar nuevos ejemplos, teniendo como base ejemplos del problema que ya conocemos”.

La ventaja que tienen los métodos automáticos es que el análisis de los datos carece de la subjetividad inherente al ser humano. “Además, con un método automático la capacidad de análisis y el volumen de datos con los que se puede trabajar siempre son mucho mayores que los de una persona”. Existen multitud de problemas de clasificación en los que se puede utilizar ese tipo de técnicas: banca, medicina, bioinformática o, de manera más específica, detección de morosos, clasificación de huellas dactilares, diagnosis de cáncer, detección de spam en correos electrónicos, etc.

Una de las técnicas más utilizadas en los últimos años para afrontar el problema de la clasificación automática consiste en utilizar ensembles o conjuntos de clasificadores. “De modo similar a lo que hacemos los seres humanos, que consultamos a una serie de expertos antes de tomar una decisión importante, con el uso de un conjunto de clasificadores se intenta clasificar ejemplos del mismo problema, combinar las respuestas o salidas y obtener así mejores decisiones de las que obtendríamos si utilizáramos un único clasificador”.

El trabajo de Mikel Galar se ha centrado en tres de las áreas donde el uso de ensembles ha sido beneficioso: problemas de clasificación con múltiples clases, el problema de las clases no balanceadas y el problema de las clases difíciles. “Son problemas clave en el aprendizaje automático. En el desarrollo de la tesis doctoral, hemos analizado cada área, sus fortalezas y debilidades, y hemos propuesto nuevos métodos que han obtenido mejores resultados para afrontar los problemas existentes hasta el momento”. Como resultado de la tesis han surgido cinco artículos en revistas de reconocimiento internacional, así como varias comunicaciones en conferencias internacionales.

La tesis, titulada ‘Ensembles of classifiers for multiclass classification problems: one-vs-one, imbalanced data-sets and difficult classes’, ha sido dirigida por los doctores Edurne Barrenechea (UPNA), Alberto Fernández (Universidad de Jaén) y Francisco Herrera (Universidad de Granada) y ha obtenido la calificación cum laude con mención internacional.