{rfName}
Mi

Indexado en

Licencia y uso

Citaciones

45

Altmetrics

Análisis de autorías institucional

Aceña VAutor (correspondencia)Martín De Diego IAutor o CoautorR Fernández RAutor o CoautorM Moguerza JAutor o Coautor

Compartir

10 de octubre de 2022
Publicaciones
>
Artículo
Green

Minimally overfitted learners: A general framework for ensemble learning

Publicado en:Knowledge-Based Systems. 254 109669- - 2022-10-27 254(), DOI: 10.1016/j.knosys.2022.109669

Autores: Acena, Victor; Martin de Diego, Isaac; Fernandez, Ruben R; Moguerza, Javier M

Afiliaciones

MADOX VIAJES, Calle Cantabria 10, Arroyomolinos 28939, Spain - Autor o Coautor
Rey Juan Carlos Univ, Data Sci Lab, C Tulipan S-N, Mostoles 28933, Spain - Autor o Coautor
Rey Juan Carlos University, Data Science Laboratory, c/ Tulipán, s/n, 28933, Móstoles, Spain - Autor o Coautor
Rey Juan Carlos University, Data Science Laboratory, c/ Tulipán, s/n, 28933, Móstoles, Spain, MADOX VIAJES, Calle de Cantabria, 10, Arroyomolinos, 28939, Spain - Autor o Coautor

Resumen

The combination of Machine Learning (ML) algorithms is a solution for constructing stronger predictors than a single one. However, some approximations suggest that combining unstable algorithms provides better results than combining stable algorithms. For instance, Generative ensembles, based on re-sampling techniques, have demonstrated high performance by fusing the information of unstable base learners. Random Forest and Gradient Boosting are two well-known examples, both combining Decision Trees and providing better predictions than those obtained using a single tree. However, such successful results have not been achieved by assembling stable algorithms. This paper introduces the notion of limited learner and a new ensemble general framework called Minimally Overfitted Ensemble (MOE), a re-sampling-based ensemble approach that constructs slightly overfitted-based learners. The proposed framework works well with stable and unstable base algorithms, thanks to a Weighted RAndom Bootstrap (WRAB) sampling that provides the necessary diversity for the stable base algorithms. A hyperparameter analysis of the proposal is carried out on artificial data. Besides, its performance is evaluated on real datasets against well-known ML methods. The results confirm that the MOE framework works successfully using stable and unstable base algorithms, improving in most cases the predictive ability of single ML models and other ensemble methods. © 2022 The Author(s)

Palabras clave

Approximation algorithmsBaggingDecision treesEnsembleEnsemble learningForestryGenerative ensembleGenerative ensemblesMachine learningMachine learning algorithmsPerformanceRandom forestRandom forestsRe-samplingResamplingSampling techniqueStable algorithms

Indicios de calidad

Impacto bibliométrico. Análisis de la aportación y canal de difusión

El trabajo ha sido publicado en la revista Knowledge-Based Systems debido a la progresión y el buen impacto que ha alcanzado en los últimos años, según la agencia WoS (JCR), se ha convertido en una referencia en su campo. En el año de publicación del trabajo, 2022, se encontraba en la posición 19/145, consiguiendo con ello situarse como revista Q1 (Primer Cuartil), en la categoría Computer Science, Artificial Intelligence.

Desde una perspectiva relativa, y atendiendo al indicador del impacto normalizado calculado a partir de las Citas Mundiales proporcionadas por WoS (ESI, Clarivate), arroja un valor para la normalización de citas relativas a la tasa de citación esperada de: 1.45. Esto indica que, de manera comparada con trabajos en la misma disciplina y en el mismo año de publicación, lo ubica como trabajo citado por encima de la media. (fuente consultada: ESI 14 Nov 2024)

Esta información viene reforzada por otros indicadores del mismo tipo, que aunque dinámicos en el tiempo y dependientes del conjunto de citaciones medias mundiales en el momento de su cálculo, coinciden en posicionar en algún momento al trabajo, entre el 50% más citados dentro de su temática:

  • Media Ponderada del Impacto Normalizado de la agencia Scopus: 1.51 (fuente consultada: FECYT Feb 2024)
  • Field Citation Ratio (FCR) de la fuente Dimensions: 9.82 (fuente consultada: Dimensions Jul 2025)

De manera concreta y atendiendo a las diferentes agencias de indexación, el trabajo ha acumulado, hasta la fecha 2025-07-16, el siguiente número de citas:

  • WoS: 19
  • Scopus: 21

Impacto y visibilidad social

Desde la dimensión de Influencia o adopción social, y tomando como base las métricas asociadas a las menciones e interacciones proporcionadas por agencias especializadas en el cálculo de las denominadas “Métricas Alternativas o Sociales”, podemos destacar a fecha 2025-07-16:

  • El uso, desde el ámbito académico evidenciado por el indicador de la agencia Altmetric referido como agregaciones realizadas por el gestor bibliográfico personal Mendeley, nos da un total de: 30.
  • La utilización de esta aportación en marcadores, bifurcaciones de código, añadidos a listas de favoritos para una lectura recurrente, así como visualizaciones generales, indica que alguien está usando la publicación como base de su trabajo actual. Esto puede ser un indicador destacado de futuras citas más formales y académicas. Tal afirmación es avalada por el resultado del indicador “Capture” que arroja un total de: 29 (PlumX).

Con una intencionalidad más de divulgación y orientada a audiencias más generales podemos observar otras puntuaciones más globales como:

  • El Score total de Altmetric: 7.6.
  • El número de menciones en la red social X (antes Twitter): 9 (Altmetric).

Es fundamental presentar evidencias que respalden la plena alineación con los principios y directrices institucionales en torno a la Ciencia Abierta y la Conservación y Difusión del Patrimonio Intelectual. Un claro ejemplo de ello es:

  • El trabajo se ha enviado a una revista cuya política editorial permite la publicación en abierto Open Access.

Análisis de liderazgo de los autores institucionales

Existe un liderazgo significativo ya que algunos de los autores pertenecientes a la institución aparecen como primer o último firmante, se puede apreciar en el detalle: Primer Autor (Aceña Gil, Víctor) y Último Autor (Martínez Moguerza, Javier).

el autor responsable de establecer las labores de correspondencia ha sido Aceña Gil, Víctor.