Sistemas basados en conjuntos en la toma de decisiones

En asuntos de gran importancia que tienen implicaciones financieras, médicas, sociales u otras, a menudo buscamos una segunda opinión antes de tomar una decisión, a veces una tercera, y a veces muchas más. Al hacerlo, sopesamos las opiniones individuales y las combinamos a través de algún proceso de pensamiento para llegar a una decisión final que supuestamente es la más informada. El proceso de consultar "varios expertos" antes de tomar una decisión final es quizás algo natural para nosotros; sin embargo, los amplios beneficios de dicho proceso en aplicaciones de toma de decisiones automatizadas han sido descubiertos recientemente por la comunidad de inteligencia computacional. También conocidos bajo varios otros nombres, como sistemas de clasificadores múltiples, comité de clasificadores o mezcla de expertos, los sistemas basados en conjuntos han demostrado producir resultados favorables en comparación con los de sistemas de un solo experto para una amplia gama de aplicaciones y en una variedad de escenarios. El diseño, la implementación y la aplicación de tales sistemas son los temas principales de este artículo. En específico, este trabajo revisa las condiciones bajo las cuales los sistemas basados en conjuntos pueden ser más beneficiosos que sus contrapartes de clasificador único, algoritmos para generar componentes individuales de los sistemas de conjunto, y varios procedimientos a través de los cuales se pueden combinar los clasificados individuales. Discutimos algoritmos populares basados en conjuntos, como bagging, boosting, AdaBoost, generalización apilada y mezcla jerárquica de expertos; así como reglas de combinación comúnmente utilizadas, que incluyen la combinación algebraica de salidas, técnicas basadas en votación, espacio de conocimiento de comportamiento y plantillas de decisión. Finalmente, examinamos las direcciones actuales y futuras de investigación para nuevas aplicaciones de sistemas de conjunto. Tales aplicaciones incluyen aprendizaje incremental, fusión de datos, selección de características, aprendizaje con características faltantes, estimación de confianza y códigos de salida correctores de errores; todas áreas en las que los sistemas de conjunto han mostrado gran promesa.