Year: 2024
Type: dissertation
Abstract: [ES]La selección de características desempeña un papel fundamental en la mejora de la eficiencia y precisión de los modelos de machine learning. A nivel mundial, la cantidad de datos generados se duplica aproximadamente cada dos años, alcanzando niveles insostenibles y presentando un gran desafío. Este trabajo profundiza en el estudio de los enfoques filter, wrapper y embedded mediante la implementación de los algoritmos Random Forest, LASSO, Forward Feature Selection, Genetic Algorithm, Correlation y Relief. Además, se emplean múltiples herramientas para la construcción de modelos eficientes y soluciones óptimas. Se ha logrado determinar cuáles de estos algoritmos funcionan mejor en términos de eficiencia, tamaño del conjunto de datos y plataformas utilizadas, aplicando una metodología centrada en la recopilación de datos, modelado y posterior análisis. Para líneas futuras, se propone la continuación del estudio para aportar mayor veracidad a los resultados obtenidos, así como una posible mejora mediante el empleo de algoritmos híbridos que ofrezcan una solución más robusta y efectiva.
Source: Gredos (University of Salamanca)
Author: Sánchez Martín, Diego
Institution: Universidad de Salamanca
Language: Spanish
Subfield: Statistics and Probability
Field: Mathematics
Domain: Physical Sciences
Open Access status: green
OpenAlex ID: W7035830748
