Modelos de clasificación con medidas de confianza basados en predictores conformales aplicados a imágenes de fusión nuclear

Zusammenfassung

En esta investigación se estudiaron modelos de clasificación con medidas de confianza basados en predictores conformales y aplicados a imágenes relacionadas con mediciones de densidad y temperatura de los plasmas de fusión nuclear, captadas a partir del diagnóstico de esparcimiento Thomson que opera en el dispositivo de fusión termonuclear TJ-II ubicado en el Centro de Investigaciones Energéticas, Medioambientales y Tecnológicas (CIEMAT). Para el estudio se desarrollaron varios multiclasificadores relacionados con cuatro métodos referidos a: la máquina de vectores soporte (SVM) que permitió la construcción de un multiclasificador “clásico” donde sólo se obtienen predicciones; la predicción conformal (PC), la predicción conformal inductiva (IPC) y la predicción Venn (PV), que permitieron construir “predictores de confianza” donde además de la predicción se obtienen medidas de fiabilidad. El objetivo del estudio se centró en “cómo obtener un multiclasificador que con el menor tiempo de procesamiento en la fase de entrenamiento, proporcione el mejor rendimiento en términos de tasa de aciertos y fiabilidad”; lográndose mediante la realización de experimentos incrementales y experimentos por lote con las imágenes obtenidas. Con los resultados proporcionados por los experimentos, se realizaron contrastes individuales para cada multiclasificador, al confrontar los tiempos de procesamiento frente al rendimiento en términos de tasa de aciertos y fiabilidad. Además de contrastar todos los resultados individuales obtenidos. Al final del estudio se comprueba que la predicción conformal inductiva permite obtener un multiclasificador con un tiempo de procesamiento en la fase de entrenamiento mínimo, proporcionando un buen rendimiento en términos de tasa de aciertos y fiabilidad. Además de comprobar, que la metodología aplicada en esta investigación para la realización de los experimentos incrementales y experimentos por lote, permiten establecer un procedimiento para obtener multiclasificadores con un tiempo de procesamiento mínimo en la fase de entrenamiento, garantizando un buen rendimiento en términos de tasa de aciertos y fiabilidad.