Clasificación geométrica mediante ensamblados
Imagen de Jametlene Reskp extraída de Unsplash
La clasificación de datos complejos constituye uno de los principales retos del aprendizaje automático, especialmente cuando las clases presentan geometrías irregulares o fronteras de decisión altamente no lineales. En estos escenarios, los métodos basados en grafos ofrecen una forma natural de representar la estructura subyacente de los datos y capturar relaciones que los clasificadores tradicionales suelen pasar por alto.
Esta línea de investigación se centra en el desarrollo de clasificadores geométricos robustos que combinan Árboles de Expansión Mínima (Minimum Spanning Trees, MST) con técnicas de aprendizaje por ensamblados. A diferencia de los enfoques tradicionales, que se basan en un único árbol y, por tanto, son muy sensibles al ruido o a pequeñas variaciones en los datos de entrenamiento, estos métodos construyen múltiples árboles a partir de distintos subconjuntos de datos y aprovechan el consenso entre ellos.
La información extraída de este conjunto de árboles se utiliza para diseñar nuevas características topológicas que describen el grado de pertenencia de cada instancia a su clase, proporcionando una representación más estable y robusta del conjunto de datos. Estas características pueden emplearse posteriormente por diferentes algoritmos de clasificación, desacoplando el análisis estructural del proceso de predicción y combinando el poder descriptivo de los modelos basados en grafos con la flexibilidad de las técnicas modernas de aprendizaje automático. En (Aceña et al., 2026) presentamos un nuevo marco de clasificación basado en estas ideas, introduciendo descriptores topológicos derivados de conjuntos de árboles de expansión mínima para mejorar la robustez frente al ruido y la variabilidad de los datos. La metodología propuesta se evalúa sobre una amplia colección de conjuntos de datos de referencia, mostrando un rendimiento competitivo y poniendo de manifiesto el potencial de las representaciones basadas en conjuntos de grafos para problemas de clasificación complejos.
