Estimación de proporción de clases en muestras no etiquetadas mediante modelos de cuantificación

Autores
Silva, Maximiliano Marufo da
Año de publicación
2025
Idioma
español castellano
Tipo de recurso
tesis de maestría
Estado
versión publicada
Colaborador/a o director/a de tesis
Farall, Rodolfo Andrés
Descripción
La cuantificación consiste en proporcionar predicciones agregadas para conjuntos de datos, en lugar de predicciones individuales para cada dato. En el contexto de la clasificación, esto se traduce en predecir la proporción de cada clase dentro de un conjunto de instancias, en lugar de la clase particular de cada instancia individualmente. Un ejemplo práctico es la predicción de la proporción de comentarios positivos y negativos sobre un producto, servicio o candidato en redes sociales. Si bien se podría utilizar un clasificador para predecir el sentimiento de cada comentario y, posteriormente, derivar las proporciones de clase, esta estrategia es subóptima y a menudo produce estimaciones sesgadas de la prevalencia, lo que resulta en una baja precisión en la cuantificación. Por consiguiente, se han desarrollado métodos específicos para abordar la cuantificación como una tarea independiente. Los modelos de cuantificación se entrenan con datos cuya distribución puede diferir de la de los datos de prueba. En el contexto de la cuantificación binaria, para cada instancia i ∈ {1, . . . , n}, consideramos un vector de variables aleatorias (Xi, Yi, Si), donde Xi ∈ Rᵈ representa las características de la instancia, Yi ∈ {0, 1} denota su etiqueta de clase, y Si ∈ {0, 1} indica si la instancia está etiquetada (y, por lo tanto, pertenece al conjunto de entrenamiento). Cuando Si = 0, la etiqueta Yi no es observable. El objetivo es estimar p := P(Y = 1|S = 0), es decir, la prevalencia de etiquetas positivas entre las instancias no etiquetadas. No se asume que esta prevalencia sea igual a la de las instancias etiquetadas, P(Y = 1|S = 1). Además, el estimador de p debe depender únicamente de los datos disponibles: las características de todas las instancias y las etiquetas observadas. El objetivo de este trabajo es describir el problema de la cuantificación, justificando la necesidad de utilizar modelos optimizados para estos casos, y presentar una revisión del estado del arte en este campo, evaluando mediante simulaciones los principales modelos propuestos.
Quantification aims to provide aggregate predictions for datasets, rather than indi- vidual predictions for each data point. In the context of classification, this translates to predicting the proportion of each class within a set of instances, rather than the specific class of each instance individually. A practical example is predicting the proportion of positive and negative comments regarding a product, service, or candidate on social media. While a classifier could be used to predict the sentiment of each comment and subsequently derive class proportions, this strategy is suboptimal and often yields biased prevalence estimates, resulting in poor quantification accuracy. Consequently, dedicated methods have been developed to address quantification as an independent task. Quantification models are trained on data whose distribution may differ from that of the test data. In the context of binary quantification, for each instance i ∈ {1, . . . , n}, we consider a vector of random variables (Xi , Yi , Si), where Xi ∈ Rᵈ represents the instance’s features, Yi ∈ {0, 1} denotes its class label, and Si ∈ {0, 1} indicates whether the instance is labeled (and therefore belongs to the training set). When Si = 0, the label Yi is unobserved. The objective is to estimate p := P(Y = 1|S = 0), i.e., the prevalence of positive labels among unlabeled instances. This prevalence is not assumed to be equal to that of the labeled instances, P(Y = 1|S = 1). Furthermore, the estimator of p must depend solely on the available data: the features of all instances and the observed labels. This work aims to describe the quantification problem, justifying the need for optimized models in these cases, and to present a review of the state of the art in this field, evaluating the main proposed models through simulations.
Fil: Silva, Maximiliano Marufo da. Universidad de Buenos Aires. Facultad de Ciencias Exactas y Naturales; Argentina.
Materia
CUANTIFICACION
ESTIMACION DE PROPORCION DE CLASES
CAMBIO DE DISTRIBUCION
QUANTIFICATION
CLASS PROPORTION ESTIMATION
DISTRIBUTION SHIFT
Nivel de accesibilidad
acceso abierto
Condiciones de uso
https://creativecommons.org/licenses/by-nc-sa/2.5/ar
Repositorio
Biblioteca Digital (UBA-FCEN)
Institución
Universidad Nacional de Buenos Aires. Facultad de Ciencias Exactas y Naturales
OAI Identificador
tesis:tesis_n7835_Silva

id BDUBAFCEN_4aa34491968822fdc6a2242ff2b16a1d
oai_identifier_str tesis:tesis_n7835_Silva
network_acronym_str BDUBAFCEN
repository_id_str 1896
network_name_str Biblioteca Digital (UBA-FCEN)
spelling Estimación de proporción de clases en muestras no etiquetadas mediante modelos de cuantificaciónEstimating class proportions in unlabeled samples using quantification modelsSilva, Maximiliano Marufo daCUANTIFICACIONESTIMACION DE PROPORCION DE CLASESCAMBIO DE DISTRIBUCIONQUANTIFICATIONCLASS PROPORTION ESTIMATIONDISTRIBUTION SHIFTLa cuantificación consiste en proporcionar predicciones agregadas para conjuntos de datos, en lugar de predicciones individuales para cada dato. En el contexto de la clasificación, esto se traduce en predecir la proporción de cada clase dentro de un conjunto de instancias, en lugar de la clase particular de cada instancia individualmente. Un ejemplo práctico es la predicción de la proporción de comentarios positivos y negativos sobre un producto, servicio o candidato en redes sociales. Si bien se podría utilizar un clasificador para predecir el sentimiento de cada comentario y, posteriormente, derivar las proporciones de clase, esta estrategia es subóptima y a menudo produce estimaciones sesgadas de la prevalencia, lo que resulta en una baja precisión en la cuantificación. Por consiguiente, se han desarrollado métodos específicos para abordar la cuantificación como una tarea independiente. Los modelos de cuantificación se entrenan con datos cuya distribución puede diferir de la de los datos de prueba. En el contexto de la cuantificación binaria, para cada instancia i ∈ {1, . . . , n}, consideramos un vector de variables aleatorias (Xi, Yi, Si), donde Xi ∈ Rᵈ representa las características de la instancia, Yi ∈ {0, 1} denota su etiqueta de clase, y Si ∈ {0, 1} indica si la instancia está etiquetada (y, por lo tanto, pertenece al conjunto de entrenamiento). Cuando Si = 0, la etiqueta Yi no es observable. El objetivo es estimar p := P(Y = 1|S = 0), es decir, la prevalencia de etiquetas positivas entre las instancias no etiquetadas. No se asume que esta prevalencia sea igual a la de las instancias etiquetadas, P(Y = 1|S = 1). Además, el estimador de p debe depender únicamente de los datos disponibles: las características de todas las instancias y las etiquetas observadas. El objetivo de este trabajo es describir el problema de la cuantificación, justificando la necesidad de utilizar modelos optimizados para estos casos, y presentar una revisión del estado del arte en este campo, evaluando mediante simulaciones los principales modelos propuestos.Quantification aims to provide aggregate predictions for datasets, rather than indi- vidual predictions for each data point. In the context of classification, this translates to predicting the proportion of each class within a set of instances, rather than the specific class of each instance individually. A practical example is predicting the proportion of positive and negative comments regarding a product, service, or candidate on social media. While a classifier could be used to predict the sentiment of each comment and subsequently derive class proportions, this strategy is suboptimal and often yields biased prevalence estimates, resulting in poor quantification accuracy. Consequently, dedicated methods have been developed to address quantification as an independent task. Quantification models are trained on data whose distribution may differ from that of the test data. In the context of binary quantification, for each instance i ∈ {1, . . . , n}, we consider a vector of random variables (Xi , Yi , Si), where Xi ∈ Rᵈ represents the instance’s features, Yi ∈ {0, 1} denotes its class label, and Si ∈ {0, 1} indicates whether the instance is labeled (and therefore belongs to the training set). When Si = 0, the label Yi is unobserved. The objective is to estimate p := P(Y = 1|S = 0), i.e., the prevalence of positive labels among unlabeled instances. This prevalence is not assumed to be equal to that of the labeled instances, P(Y = 1|S = 1). Furthermore, the estimator of p must depend solely on the available data: the features of all instances and the observed labels. This work aims to describe the quantification problem, justifying the need for optimized models in these cases, and to present a review of the state of the art in this field, evaluating the main proposed models through simulations.Fil: Silva, Maximiliano Marufo da. Universidad de Buenos Aires. Facultad de Ciencias Exactas y Naturales; Argentina.Universidad de Buenos Aires. Facultad de Ciencias Exactas y NaturalesFarall, Rodolfo Andrés2025-10-13info:eu-repo/semantics/masterThesisinfo:eu-repo/semantics/publishedVersionhttp://purl.org/coar/resource_type/c_bdccinfo:ar-repo/semantics/tesisDeMaestriaapplication/pdfhttps://hdl.handle.net/20.500.12110/tesis_n7835_Silvaspainfo:eu-repo/semantics/openAccesshttps://creativecommons.org/licenses/by-nc-sa/2.5/arreponame:Biblioteca Digital (UBA-FCEN)instname:Universidad Nacional de Buenos Aires. Facultad de Ciencias Exactas y Naturalesinstacron:UBA-FCEN2026-10-15T10:53:16Ztesis:tesis_n7835_SilvaInstitucionalhttps://digital.bl.fcen.uba.ar/Universidad públicaNo correspondehttps://digital.bl.fcen.uba.ar/cgi-bin/oaiserver.cgiana@bl.fcen.uba.arArgentinaNo correspondeNo correspondeNo correspondeopendoar:18962026-10-15 10:53:20.798Biblioteca Digital (UBA-FCEN) - Universidad Nacional de Buenos Aires. Facultad de Ciencias Exactas y Naturalesfalse
dc.title.none.fl_str_mv Estimación de proporción de clases en muestras no etiquetadas mediante modelos de cuantificación
Estimating class proportions in unlabeled samples using quantification models
title Estimación de proporción de clases en muestras no etiquetadas mediante modelos de cuantificación
spellingShingle Estimación de proporción de clases en muestras no etiquetadas mediante modelos de cuantificación
Silva, Maximiliano Marufo da
CUANTIFICACION
ESTIMACION DE PROPORCION DE CLASES
CAMBIO DE DISTRIBUCION
QUANTIFICATION
CLASS PROPORTION ESTIMATION
DISTRIBUTION SHIFT
title_short Estimación de proporción de clases en muestras no etiquetadas mediante modelos de cuantificación
title_full Estimación de proporción de clases en muestras no etiquetadas mediante modelos de cuantificación
title_fullStr Estimación de proporción de clases en muestras no etiquetadas mediante modelos de cuantificación
title_full_unstemmed Estimación de proporción de clases en muestras no etiquetadas mediante modelos de cuantificación
title_sort Estimación de proporción de clases en muestras no etiquetadas mediante modelos de cuantificación
dc.creator.none.fl_str_mv Silva, Maximiliano Marufo da
author Silva, Maximiliano Marufo da
author_facet Silva, Maximiliano Marufo da
author_role author
dc.contributor.none.fl_str_mv Farall, Rodolfo Andrés
dc.subject.none.fl_str_mv CUANTIFICACION
ESTIMACION DE PROPORCION DE CLASES
CAMBIO DE DISTRIBUCION
QUANTIFICATION
CLASS PROPORTION ESTIMATION
DISTRIBUTION SHIFT
topic CUANTIFICACION
ESTIMACION DE PROPORCION DE CLASES
CAMBIO DE DISTRIBUCION
QUANTIFICATION
CLASS PROPORTION ESTIMATION
DISTRIBUTION SHIFT
dc.description.none.fl_txt_mv La cuantificación consiste en proporcionar predicciones agregadas para conjuntos de datos, en lugar de predicciones individuales para cada dato. En el contexto de la clasificación, esto se traduce en predecir la proporción de cada clase dentro de un conjunto de instancias, en lugar de la clase particular de cada instancia individualmente. Un ejemplo práctico es la predicción de la proporción de comentarios positivos y negativos sobre un producto, servicio o candidato en redes sociales. Si bien se podría utilizar un clasificador para predecir el sentimiento de cada comentario y, posteriormente, derivar las proporciones de clase, esta estrategia es subóptima y a menudo produce estimaciones sesgadas de la prevalencia, lo que resulta en una baja precisión en la cuantificación. Por consiguiente, se han desarrollado métodos específicos para abordar la cuantificación como una tarea independiente. Los modelos de cuantificación se entrenan con datos cuya distribución puede diferir de la de los datos de prueba. En el contexto de la cuantificación binaria, para cada instancia i ∈ {1, . . . , n}, consideramos un vector de variables aleatorias (Xi, Yi, Si), donde Xi ∈ Rᵈ representa las características de la instancia, Yi ∈ {0, 1} denota su etiqueta de clase, y Si ∈ {0, 1} indica si la instancia está etiquetada (y, por lo tanto, pertenece al conjunto de entrenamiento). Cuando Si = 0, la etiqueta Yi no es observable. El objetivo es estimar p := P(Y = 1|S = 0), es decir, la prevalencia de etiquetas positivas entre las instancias no etiquetadas. No se asume que esta prevalencia sea igual a la de las instancias etiquetadas, P(Y = 1|S = 1). Además, el estimador de p debe depender únicamente de los datos disponibles: las características de todas las instancias y las etiquetas observadas. El objetivo de este trabajo es describir el problema de la cuantificación, justificando la necesidad de utilizar modelos optimizados para estos casos, y presentar una revisión del estado del arte en este campo, evaluando mediante simulaciones los principales modelos propuestos.
Quantification aims to provide aggregate predictions for datasets, rather than indi- vidual predictions for each data point. In the context of classification, this translates to predicting the proportion of each class within a set of instances, rather than the specific class of each instance individually. A practical example is predicting the proportion of positive and negative comments regarding a product, service, or candidate on social media. While a classifier could be used to predict the sentiment of each comment and subsequently derive class proportions, this strategy is suboptimal and often yields biased prevalence estimates, resulting in poor quantification accuracy. Consequently, dedicated methods have been developed to address quantification as an independent task. Quantification models are trained on data whose distribution may differ from that of the test data. In the context of binary quantification, for each instance i ∈ {1, . . . , n}, we consider a vector of random variables (Xi , Yi , Si), where Xi ∈ Rᵈ represents the instance’s features, Yi ∈ {0, 1} denotes its class label, and Si ∈ {0, 1} indicates whether the instance is labeled (and therefore belongs to the training set). When Si = 0, the label Yi is unobserved. The objective is to estimate p := P(Y = 1|S = 0), i.e., the prevalence of positive labels among unlabeled instances. This prevalence is not assumed to be equal to that of the labeled instances, P(Y = 1|S = 1). Furthermore, the estimator of p must depend solely on the available data: the features of all instances and the observed labels. This work aims to describe the quantification problem, justifying the need for optimized models in these cases, and to present a review of the state of the art in this field, evaluating the main proposed models through simulations.
Fil: Silva, Maximiliano Marufo da. Universidad de Buenos Aires. Facultad de Ciencias Exactas y Naturales; Argentina.
description La cuantificación consiste en proporcionar predicciones agregadas para conjuntos de datos, en lugar de predicciones individuales para cada dato. En el contexto de la clasificación, esto se traduce en predecir la proporción de cada clase dentro de un conjunto de instancias, en lugar de la clase particular de cada instancia individualmente. Un ejemplo práctico es la predicción de la proporción de comentarios positivos y negativos sobre un producto, servicio o candidato en redes sociales. Si bien se podría utilizar un clasificador para predecir el sentimiento de cada comentario y, posteriormente, derivar las proporciones de clase, esta estrategia es subóptima y a menudo produce estimaciones sesgadas de la prevalencia, lo que resulta en una baja precisión en la cuantificación. Por consiguiente, se han desarrollado métodos específicos para abordar la cuantificación como una tarea independiente. Los modelos de cuantificación se entrenan con datos cuya distribución puede diferir de la de los datos de prueba. En el contexto de la cuantificación binaria, para cada instancia i ∈ {1, . . . , n}, consideramos un vector de variables aleatorias (Xi, Yi, Si), donde Xi ∈ Rᵈ representa las características de la instancia, Yi ∈ {0, 1} denota su etiqueta de clase, y Si ∈ {0, 1} indica si la instancia está etiquetada (y, por lo tanto, pertenece al conjunto de entrenamiento). Cuando Si = 0, la etiqueta Yi no es observable. El objetivo es estimar p := P(Y = 1|S = 0), es decir, la prevalencia de etiquetas positivas entre las instancias no etiquetadas. No se asume que esta prevalencia sea igual a la de las instancias etiquetadas, P(Y = 1|S = 1). Además, el estimador de p debe depender únicamente de los datos disponibles: las características de todas las instancias y las etiquetas observadas. El objetivo de este trabajo es describir el problema de la cuantificación, justificando la necesidad de utilizar modelos optimizados para estos casos, y presentar una revisión del estado del arte en este campo, evaluando mediante simulaciones los principales modelos propuestos.
publishDate 2025
dc.date.none.fl_str_mv 2025-10-13
dc.type.none.fl_str_mv info:eu-repo/semantics/masterThesis
info:eu-repo/semantics/publishedVersion
http://purl.org/coar/resource_type/c_bdcc
info:ar-repo/semantics/tesisDeMaestria
format masterThesis
status_str publishedVersion
dc.identifier.none.fl_str_mv https://hdl.handle.net/20.500.12110/tesis_n7835_Silva
url https://hdl.handle.net/20.500.12110/tesis_n7835_Silva
dc.language.none.fl_str_mv spa
language spa
dc.rights.none.fl_str_mv info:eu-repo/semantics/openAccess
https://creativecommons.org/licenses/by-nc-sa/2.5/ar
eu_rights_str_mv openAccess
rights_invalid_str_mv https://creativecommons.org/licenses/by-nc-sa/2.5/ar
dc.format.none.fl_str_mv application/pdf
dc.publisher.none.fl_str_mv Universidad de Buenos Aires. Facultad de Ciencias Exactas y Naturales
publisher.none.fl_str_mv Universidad de Buenos Aires. Facultad de Ciencias Exactas y Naturales
dc.source.none.fl_str_mv reponame:Biblioteca Digital (UBA-FCEN)
instname:Universidad Nacional de Buenos Aires. Facultad de Ciencias Exactas y Naturales
instacron:UBA-FCEN
reponame_str Biblioteca Digital (UBA-FCEN)
collection Biblioteca Digital (UBA-FCEN)
instname_str Universidad Nacional de Buenos Aires. Facultad de Ciencias Exactas y Naturales
instacron_str UBA-FCEN
institution UBA-FCEN
repository.name.fl_str_mv Biblioteca Digital (UBA-FCEN) - Universidad Nacional de Buenos Aires. Facultad de Ciencias Exactas y Naturales
repository.mail.fl_str_mv ana@bl.fcen.uba.ar
_version_ 1879127472955457536
score 12.823554