Key points are not available for this paper at this time.
É bem conhecido que a combinação de previsões de diferentes algoritmos de Aprendizado de Máquina (ML) pode melhorar a precisão. Este artigo propõe uma abordagem para combinar Preditore Conformais (CPs) com diferentes algoritmos de ML subjacentes de maneira que preserve sua propriedade chave, ou seja, validade. Diferentes métodos de combinação são discutidos e seu desempenho é avaliado em um problema de quimioinformática. Para lidar com o tamanho, alta dimensionalidade e forte desequilíbrio do conjunto de dados, o artigo aplica um tipo especial de CP: um Preditor Conformal Mondrian Indutivo. Propomos e avaliamos, juntamente com métodos de Testes de Hipótese Estatística, um método motivado heuristicamente para aprender a combinar CPs para melhorar a qualidade da previsão. Também exploramos um método não paramétrico geral para recuperar a validade após a combinação usando um conjunto de calibração. Em um conjunto de dados do mundo real, vários dos preditores combinados consistentemente superam os CPs base.
Toccaceli et al. (Qua,) estudaram esta questão.