Comparando algoritmos de aprendizaje automático mediante profundidad genérica sin uniones

Proponemos un marco para analizar descriptivamente conjuntos de órdenes parciales basado en el concepto de funciones de profundidad. A pesar de los estudios intensivos en espacios lineales y métricos, hay muy poca discusión sobre funciones de profundidad para tipos de datos no estándar como los órdenes parciales. Introducimos una adaptación de la profundidad simplicial bien conocida al conjunto de todos los órdenes parciales, la profundidad genérica sin uniones (ufg). Además, utilizamos nuestra profundidad ufg para comparar algoritmos de aprendizaje automático basándonos en medidas de rendimiento multidimensional. Concretamente, brindamos dos ejemplos de comparaciones de clasificadores con muestras de conjuntos de datos de referencia estándar. Nuestros resultados demuestran de manera prometedora la amplia variedad de diferentes enfoques de análisis basados en métodos ufg. Además, los ejemplos destacan que nuestro enfoque difiere sustancialmente de los enfoques de referencia existentes, y por lo tanto, añade una nueva perspectiva al vivo debate sobre la comparación de clasificadores.