Year: 2025
Type: dissertation
Abstract: En este trabajo se realiza un análisis comparativo del rendimiento de distintos algoritmos aplicados a un problema basado en la Teoría de Juegos con recompensas discretas. Concretamente, se genera un conjunto de datos que simula partidas entre dos jugadores, donde cada uno escoge una estrategia y ambos reciben un pago conjunto en función de su combinación. A partir de estos datos, se evalúa la capacidad predictiva de diversos modelos para clasificar correctamente las recompensas obtenidas. Los algoritmos estudiados incluyen modelos lineales, como el Perceptrón, la Regresión Logística, el Descenso Estocástico del Gradiente (SGD) y Máquina de Vectores de Soporte (SVM) y modelos no lineales, como el Perceptrón Multicapa, k-Vecinos y XGBoost. También se consideran modelos probabilísticos y no supervisados como Naive Bayes y K-Means. La evaluación se realiza mediante validación cruzada estratificada, empleando como métrica principal la precisión, y se complementa con el análisis de la varianza y los tiempos de ejecución. Los resultados muestran que los algoritmos no lineales superan ampliamente a los lineales en precisión, especialmente en un entorno donde las clases no son linealmente separables. Destacan XGBoost y k-Vecinos por su rendimiento y estabilidad. Asimismo, se profundiza en el comportamiento del algoritmo SVM con distintos kernels, analizando su sensibilidad a los parámetros y la aparición de sobreajuste en algunos escenarios. Este estudio evidencia el potencial de las redes neuronales y otras técnicas avanzadas de clasificación para modelar entornos estratégicos de decisión, y plantea futuras líneas de trabajo orientadas a juegos más complejos y análisis multiclase.
Author: Simón Aparicio, Pablo
Language: Spanish
Subfield: Information Systems
Field: Computer Science
Domain: Physical Sciences
Open Access status: green
OpenAlex ID: W7084282770