Implementación de algoritmos de parallel boosting

En este trabajo de grado, se desarrollaron los diferentes algoritmos pertenecientes a la técnica de Boosting paralelo en Python. Para esto, se utilizaron librerías comunes en computación científica como lo son Scikit-Learn para el entrenamiento de modelos débiles, NumPy para el tratamiento de estructuras de datos y Joblib para el tratamiento de la computación paralela. Adicionalmente, se evaluaron sus desempeños en conjuntos de datos modernos. Particularmente, los algoritmos y conjuntos de datos tratados son enfocados en el problema de clasificación binario, con lo cual se utilizaron bases de datos que tratan problemas como el de identificar señales del bosón de Higgs en el acelerador de partículas o identificar que reclamos al seguro de autos resultaron en una retribución. Las pruebas realizadas en conjuntos de datos modificados de los anteriormente mostrados, señalaron que la técnica de Parallel Boosting mejor en gran medida el tiempo necesario para entrenar arboles de decisión, sin embargo no garantiza el mismo rendimiento que Adaboost o XGBoost posee.

• Autores: López Rubiano, Daniel Felipe
• Tipo de recurso: Trabajo de grado de pregrado
• Fecha de publicación: 2024
• Institución: Universidad de los Andes
• Repositorio: Séneca: repositorio Uniandes
• Idioma: spa
• OAI Identifier: oai:repositorio.uniandes.edu.co:1992/73842
• Acceso en línea: https://hdl.handle.net/1992/73842
• Palabra clave: Machine learning; Boosting; Decission trees; Adaboost; XGboost; Parallel computing; Ingeniería
• Rights: openAccess
• License: https://repositorio.uniandes.edu.co/static/pdf/aceptacion_uso_es.pdf