Aprendizaje de ejemplares y prototipos en aprendizaje automático y psicología

Este artículo establece un paralelismo entre los modelos de categorización basados ​​en la similitud desarrollados en la psicología cognitiva y el clasificador del vecino más cercano (1-NN) en el aprendizaje automático. Concebidos como resultado de la rivalidad histórica entre las teorías prototipo (abstracción) y las teorías ejemplares (memorización), los modelos recientes de categorización humana buscan un compromiso intermedio. En cuanto a los estímulos (entidades a categorizar) como puntos en un espacio métrico, el aprendizaje automático ofrece una gran colección de métodos para seleccionar un conjunto de puntos pequeño, representativo y discriminativo. Estos métodos se conocen con varios nombres: selección de instancias, edición de datos, selección de prototipos, generación de prototipos o sustitución de prototipos. El clasificador vecino más cercano se utiliza con el conjunto de referencia seleccionado. Tal conjunto puede interpretarse como un modelo de categorización basado en datos. Yuxtaponemos los modelos de los dos campos para permitir la referencia cruzada. Creemos que tanto el aprendizaje automático como la psicología cognitiva pueden inspirarse en la comparación y enriquecer su repertorio de modelos basados ​​en similitudes. La categorización, tal como se entiende en la psicología cognitiva, se puede describir como la producción de una etiqueta de categoría para un estímulo dado en función de sus propiedades percibidas.

La misma tarea se conoce como clasificación en el aprendizaje automático, y el método que lleva a cabo la tarea se denomina clasificador. Los modelos computacionales de categorización se desarrollan en ambas disciplinas. En este artículo exploramos las similitudes de estos modelos computacionales en el contexto de la representación de categorías. En la psicología cognitiva, la cuestión de la representación ha alimentado un debate de larga duración sobre los "modelos prototipo" frente a los "modelos ejemplares". En el aprendizaje automático, se puede pensar que cualquier clasificador tiene una representación intrínseca o explícita de las categorías de interés. Como ejemplo de representación intrínseca, considere el tipo de clasificadores de (rocketman significado) redes neuronales. Si bien posee una notable capacidad para distinguir entre categorías (sujeto a una capacitación adecuada), la representación de la categoría está codificada dentro de la estructura y los pesos de la red. Como ejemplo de representación de categoría explícita, considere el 'clasificador vecino más cercano (1-NN)' (Duda et al., 2001) o 'aprendiz perezoso' en el aprendizaje automático. Este clasificador utiliza un conjunto de referencia etiquetado (interpretado indistintamente como prototipos o ejemplares). Examinamos la relación entre 1-NN y los modelos prototipo y ejemplar.

Con este fin, hemos organizado el documento de la siguiente manera.

Desde una perspectiva geométrica, los estímulos se representan como puntos en un espacio multidimensional, las categorías como regiones en ese espacio (Gärdenfors, 2004) y la similitud entre estímulos como distancia en el espacio (Shepard, 1957). Dichos modelos tienen propiedades deseables, como una interpretación clara y la capacidad de dar cuenta de la vaguedad de las categorías naturales. Con este estudio, nuestro objetivo es alertar al lector de psicología sobre la existencia de dichos enfoques y algoritmos y también brindar una perspectiva psicológica al clasificador vecino más cercano editado para el beneficio del lector de aprendizaje automático. Con este fin, hemos organizado el documento de la siguiente manera. La Tabla 1 muestra la correspondencia entre diferentes términos y conceptos en psicología cognitiva, aprendizaje automático, reconocimiento de patrones y estadísticas convencionales. Por supuesto, existe un grado de permeación entre las terminologías de los diferentes campos, especialmente entre el reconocimiento de patrones y el aprendizaje automático. Existen diferencias sutiles pero importantes entre el enfoque de categorización en el aprendizaje automático (ML) y el enfoque de modelado que tradicionalmente dominó la investigación en psicología cognitiva.

X representa y cómo – blogdepsicologia.com – se obtiene. X se muestrea aleatoriamente del problema de categorización. X es diseñado o seleccionado por el experimentador. El conjunto de entrenamiento no tiene que ser representativo de ninguna distribución real. Las etiquetas de categoría son fijas y no están sujetas a incertidumbre probabilística. La segunda diferencia está en lo que se entiende por 'ajustar un modelo'. POSTSUPERSCRIPT, visto o no visto. En psicología cognitiva, la clasificación la hacen los participantes en el experimento y el modelo se ajusta a sus respuestas. Ajustar un modelo en la literatura psicológica equivale a definir un método que prediga lo más cerca posible de estas proporciones, tanto para los estímulos visibles como para los invisibles. La tercera diferencia radica en el procedimiento de evaluación del modelo. En ML, la principal medida de rendimiento es la precisión de generalización (o precisión de prueba), estimada como la fracción de objetos clasificados correctamente en un conjunto de datos de prueba no visto extraído de la distribución de probabilidad del problema de categorización. En psicología, el objetivo es explicar los resultados experimentales obtenidos.

Author: Gustavo Ferrer

Deja una respuesta

Tu dirección de correo electrónico no será publicada. Los campos obligatorios están marcados con *