Desarrollo de un Modelo de Clasificación Binaria Basado en Datos Pequeños Utilizando Métodos de Aprendizaje Automático

Hoy en día, las soluciones al problema de clasificación binaria utilizando aprendizaje automático encuentran aplicaciones en un gran número de esferas de la vida, como la medicina, la energía, el marketing, la agricultura, la analítica financiera, etc. Esta es una gran oportunidad para que las empresas obtengan nuevas fuentes de ganancias y mejoren los procesos existentes. Por lo tanto, se están desarrollando activamente nuevos métodos de solución, se están mejorando los existentes y se está investigando la posibilidad de utilizar el aprendizaje automático para resolver problemas de clasificación en diversos campos. El estudio de la efectividad de utilizar varios métodos de aprendizaje automático, teniendo en cuenta los problemas existentes de datos pequeños en la solución del problema de clasificación binaria, es muy relevante debido a la significativa preponderancia de los desarrollos hacia Big Data. Para los datos pequeños, se han identificado posibles problemas que afectan la efectividad del modelo entrenado, y se han propuesto diversas opciones para resolver estos problemas. Para evaluar el impacto de los problemas de datos pequeños en la calidad del modelo entrenado, se realizó un análisis comparativo de las métricas de calidad de los modelos entrenados en diferentes variaciones de procesamiento de datos. Se concluye que un trabajo correcto con datos pequeños requiere la eliminación oportuna de defectos en esos datos, como el desbalance de clases, valores atípicos, etc. En el transcurso del estudio, se seleccionaron las métricas de calidad más significativas para obtener un modelo de análisis de parámetros médicos. Se ha realizado un análisis comparativo de modelos de detección de diabetes basado en datos pequeños preprocesados. Para la tarea en cuestión, se eligió el modelo de apilamiento como la mejor opción para el uso médico. Los resultados del análisis mostraron que el aprendizaje automático es capaz de mostrar una alta eficiencia en la resolución de problemas reales de clasificación binaria.