El presente proyecto de investigación tiene como finalidad hacer una comparación entre la distancia de Mahalanobis y la densidad de características (Feature
Density) como métodos estimadores de incertidumbre, aplicado a tareas de clasificación binaria, utilizando imágenes de Rayos X (mamografías); por medio de
arquitecturas de redes convolucionales y técnicas de aprendizaje supervisado y
semi-supervisado.
El fin de los estimadores de incertidumbre es evaluar qué tan confiables son
las predicciones de los modelos de Machine Learning en tareas de clasificación,
partiendo del entrenamiento supervisado provisto y su respectivo proceso de va lidación.
Según los resultados experimentales obtenidos en las diferentes etapas de la
investigación no se encontró una diferencia estadísticamente significativa entre
los métodos de estimación de incertidumbre comparados, pero esto no significa
que el método de Feature Density se deba descartar como método estimador de
incertidumbre; como todo en el ámbito de Machine Learning, es necesario realizar
más experimentos con diferentes arquitecturas y configuraciones de las mismas,
para obtener una variedad de resultados y decir con certeza cuál método estimador
es mejor.
Buscar en Dimension