| Resumen | Los GBDTs (gradient boosting decision trees) son uno de los métodos más populares de aprendizaje automático. Recientemente se han utilizado para la propuesta ganadora, o parte de ella, de múltiples concursos:
https://github.com/microsoft/LightGBM/blob/master/examples/README.md
Además tienen dos características interesantes: proporcionan métricas sobre la importancia de cada una de las entradas y la operación básica del árbol es una comparación, que es más ligera que las multiplicaciones y acumulaciones que se usan en otros modelos.
Actualmente, dos de las características más importantes de un modelo de aprendizaje son su transparencia y su interpretabilidad. Los modelos complejos (incluidos los GBDTs) actúan como cajas negras, y en general el usuario no recibe ninguna información que le ayude a entender su salida, ni a identificar en qué situaciones es probable que sea errónea.
En este proyecto vamos a trabajar para entender mejor los GBDTs, hacerlos más pequeños y eficientes, ser capaces de interpretar mejor sus resultados, y obtener métricas de incertidumbre sobre las predicciones generadas, que nos permitirán identificar cuando el modelo ha detectado problemas en las predicciones.
El proyecto es bastante amplio. Ya se ha dirigido un TFG previo que puede consultarse en el repositorio zaguan de la UZ.
|
|---|