2026-09-15T21:39:28Zhttps://gredos.usal.es/oai/request

oai:gredos.usal.es:10366/1649112025-05-03T00:00:30Zcom_10366_4827com_10366_4843col_10366_4828

Sánchez Martín, Diego 2025-05-02T11:36:18Z 2025-05-02T11:36:18Z 2024-06 http://hdl.handle.net/10366/164911 [ES]La selección de características desempeña un papel fundamental en la mejora de la eficiencia y precisión de los modelos de machine learning. A nivel mundial, la cantidad de datos generados se duplica aproximadamente cada dos años, alcanzando niveles insostenibles y presentando un gran desafío. Este trabajo profundiza en el estudio de los enfoques filter, wrapper y embedded mediante la implementación de los algoritmos Random Forest, LASSO, Forward Feature Selection, Genetic Algorithm, Correlation y Relief. Además, se emplean múltiples herramientas para la construcción de modelos eficientes y soluciones óptimas. Se ha logrado determinar cuáles de estos algoritmos funcionan mejor en términos de eficiencia, tamaño del conjunto de datos y plataformas utilizadas, aplicando una metodología centrada en la recopilación de datos, modelado y posterior análisis. Para líneas futuras, se propone la continuación del estudio para aportar mayor veracidad a los resultados obtenidos, así como una posible mejora mediante el empleo de algoritmos híbridos que ofrezcan una solución más robusta y efectiva. [EN]Feature selection plays a key role in improving the efficiency and accuracy of machine learning models. Globally, the amount of data generated doubles approximately every two years, reaching unsustainable levels and presenting a major challenge. This work delves into the study of filter, wrapper and embedded approaches by implementing Random Forest, LASSO, Forward Feature Selection, Genetic Algorithm, Correlation and Relief algorithms. In addition, multiple tools are used for the construction of efficient models and optimal solutions. It has been possible to determine which of these algorithms work best in terms of efficiency, dataset size and platforms used, applying a methodology focused on data collection, modeling and subsequent analysis. For future lines, the continuation of the study is proposed to provide greater veracity to the results obtained, as well as a possible improvement through the use of hybrid algorithms that offer a more robust and effective solution. spa http://creativecommons.org/licenses/by-nc-nd/4.0/ info:eu-repo/semantics/openAccess Attribution-NonCommercial-NoDerivatives 4.0 Internacional Selección de características Algoritmos Aprendizaje automático Eficiencia de modelos Feature selection Algorithms Machine learning model efficiency Algoritmos de selección de características en aprendizaje automático info:eu-repo/semantics/masterThesis