Algoritmo de transformación LCNMTR para problemas de predicción con salidas compuestas integrado a MULAN

Abstract

La minería de datos como disciplina intenta reducir la brecha existente entre el volumen de información almacenado y el conocimiento que es capaz de extraerse de esta información. Dentro de la minería de datos el aprendizaje automático (AA) emplea información histórica para, a través de modelos, predecir el comportamiento de nuevas variables asociadas al problema. En los últimos años han surgido problemas de la vida práctica relacionados con la necesidad de predecir valores de salidas, modelados a través de diferentes estructuras complejas. En el grupo de Inteligencia Artificial de la Universidad de las Ciencias Informáticas (UCI) se implementó el algoritmo Linear Combination for Multi-target Regression (LCNMTR) con un primer prototipo en MATLAB. Para lograr diseñar experimentos en condiciones similares y comparar el desempeño del algoritmo LCNMTR usando las mismas métricas de evaluación, aproximaciones de los datos sobre el mismo lenguaje y el mismo conjunto de datos, se propone la implementación de este algoritmo sobre la plataforma MULAN para que sea además evaluado por otros investigadores en este campo. Se describe el proceso de implementación e integración a la herramienta MULAN siguiendo las pautas dictadas por la metodología XP. Se evalúan los resultados alcanzados aplicando la Prueba de Friedman y el test de Bonferroni-Dunn utilizando como medida el aRRMSE. Se obtiene como resultado que el algoritmo propuesto no presenta diferencias significativas con los algoritmos del estado de arte con un 95% de certeza. Además, es uno de los algoritmos con menor tiempo de ejecución.