¿Qué es el aprendizaje automático basado en modelos?

El aprendizaje automático basado en modelos , o más generalmente, la ingeniería de software basada en modelos en una variedad de áreas de aplicación, es una técnica para construir una aplicación personalizada basada en un modelo del problema y los diferentes métodos que podrían aplicarse a él.

Este es un enfoque de metamodelado , lo que significa que el “modelo” representa problemas y técnicas para trabajar con datos, no los datos en sí.

Aquí hay un documento que describe el enfoque:

Aprendizaje automático basado en modelos.

Varias décadas de investigación en el campo del aprendizaje automático han dado lugar a una multitud de algoritmos diferentes para resolver una amplia gama de problemas. Para abordar una nueva aplicación, un investigador generalmente intenta mapear su problema en uno de estos métodos existentes, a menudo influenciado por su familiaridad con algoritmos específicos y por la disponibilidad de las implementaciones de software correspondientes.

En este estudio, describimos una metodología alternativa para aplicar el aprendizaje automático, en la que se formula una solución a medida para cada nueva aplicación. La solución se expresa a través de un lenguaje de modelado compacto, y el código de aprendizaje automático personalizado correspondiente se genera automáticamente. Este enfoque basado en modelos ofrece varias ventajas importantes, incluida la oportunidad de crear modelos altamente personalizados para escenarios específicos, así como la creación rápida de prototipos y la comparación de una gama de modelos alternativos. Además, los recién llegados al campo del aprendizaje automático no tienen que aprender sobre la amplia gama de métodos tradicionales, sino que pueden centrar su atención en comprender un entorno de modelado único.

El aprendizaje automático basado en modelos se refiere a los modelos de aprendizaje automático que se parametrizan con un cierto número de parámetros que no cambian a medida que cambia el tamaño de los datos de entrenamiento. Por ejemplo, si supone que un conjunto de datos [matemática] \ {X_ {1, …, n}, Y_ {1, …, n} \} [/ matemática] que se le proporciona está sujeto a un modelo lineal [matemática ] Y_i = signo (w ^ TX_i + b) [/ math], donde [math] w \ in \ mathcal {R} ^ m [/ math], donde [math] m [/ math] es la dimensión de cada dato punto independientemente de [matemáticas] n [/ matemáticas], entonces usted está basado en el modelo.

Por otro lado, si no asume ninguna distribución con un número fijo de parámetros sobre sus datos, por ejemplo, en el vecino más cercano k, o en un árbol de decisión, donde el número de parámetros crece con el tamaño del entrenamiento datos, entonces no está basado en modelos o no es paramétrico.