clasificación geométrica mediante ensamblados

La clasificación de datos complejos constituye uno de los principales retos del aprendizaje automático, especialmente cuando las distintas clases presentan geometrías irregulares o fronteras de decisión altamente no lineales. En estos escenarios, los métodos basados en grafos permiten representar la estructura interna de los datos y capturar relaciones que pasan desapercibidas para otros clasificadores tradicionales.

Esta línea de investigación se centra en el desarrollo de clasificadores geométricos robustos que combinan modelos basados en árboles de expansión mínima (Minimum Spanning Trees, MST) con técnicas de aprendizaje por ensamblados. Frente a los enfoques clásicos, que construyen un único árbol y pueden resultar muy sensibles al ruido o a pequeñas variaciones en los datos de entrenamiento, se propone generar múltiples árboles a partir de diferentes subconjuntos de datos y analizar el consenso entre ellos.

A partir de esta información se diseñan nuevas características topológicas que describen el grado de pertenencia de cada instancia a su clase, proporcionando una representación más estable y robusta de la estructura del conjunto de datos. Estas características pueden utilizarse posteriormente por distintos algoritmos de clasificación, desacoplando el análisis estructural del proceso de predicción y permitiendo combinar la capacidad descriptiva de los grafos con la flexibilidad de otros modelos de aprendizaje automático.