Optimización de árboles de decisión tipo Gradient Boosting añadiendo métricas de incertidumbre.

Bueno Ereza, Pablo Jesús
Resano Ezcaray, Javier (dir.) ; Alcolea Moreno, Adrián (dir.)

Universidad de Zaragoza, EINA, 2024
Departamento de Informática e Ingeniería de Sistemas, Área de Arquitectura y Tecnología de Computadores

Graduado en Ingeniería Informática

Resumen: En este trabajo se aborda el problema de la clasificación de píxeles hiperespectrales utilizando modelos que permitan tanto una alta precisión como la incorporación de métricas de incertidumbre, fundamentales para la toma de decisiones. Aunque las redes neuronales bayesianas (BNNs) ofrecen excelentes resultados y proporcionan información valiosa sobre la incertidumbre en las predicciones, su alto coste computacional las hace inviables en plataformas de bajo consumo. El principal objetivo de este estudio ha sido proponer una alternativa más eficiente y adecuada para estos entornos limitados en recursos, sin sacrificar notablemente la precisión ni la capacidad de analizar la incertidumbre, siendo esto último algo común en sistemas de rendimiento superior. Para ello, se ha propuesto el uso de modelos de árboles de decisión tipo Gradient Boosting (GBDT), investigando su potencial para competir con las BNNs. Durante el desarrollo, se han implementado varias optimizaciones, desde la reducción de los requisitos de entrada/salida hasta la modificación de la arquitectura de un acelerador especializado para GBDT, maximizando su eficiencia. A través de estas mejoras, no solo se ha logrado un modelo más ágil y con menor consumo energético, sino que se ha hallado la forma de reproducir las métricas de incertidumbre, lo que permite realizar predicciones más confiables y precisas, incluso en sistemas de recursos limitados. El trabajo abre la puerta a futuras optimizaciones y destaca la viabilidad de los modelos GBDT en sistemas de bajo consumo como una alternativa real a las BNNs en aplicaciones de clasificación hiperespectral.

Tipo de Trabajo Académico: Trabajo Fin de Grado