Análisis comparativo de enfoques AutoML en problemas de clasificación multietiqueta

Read full text Summarise with VIRAT
Authors: Eneko de Miguel Echeverría
Cited by: 0
References: 16

Summary

No summary yet. VIRAT can read this paper and write a plain-language summary of its aim, methods, key findings and limitations.

Summarise with VIRAT Free to try with your Science Catalogs account.

Abstract

El desarrollo de modelos de machine learning requiere la toma de numerosas decisiones técnicas relacionadas con la selección de algoritmos, la optimización de hiperparámetros y el diseño del proceso de evaluación, lo que dificulta su adopción fuera de entornos altamente especializados. En este contexto, el Automated Machine Learning (AutoML) surge como una solución orientada a automatizar, en mayor o menor medida, estas decisiones y facilitar la construcción de modelos eficientes. Paralelamente, muchos problemas reales de clasificación presentan una naturaleza multietiqueta, en la que cada observación puede estar asociada a varias clases simultáneamente, lo que incrementa la complejidad del problema debido a la posible dependencia entre etiquetas. Este Trabajo Fin de Grado tiene como objetivo analizar y comparar el rendimiento de distintas herramientas AutoML en tareas de clasificación multietiqueta. En concreto, se evalúan TPOT, auto-sklearn y H2O AutoML, que no ofrecen soporte nativo para este tipo de problemas, y AutoGluon, que sí incorpora funcionalidad específica para modelar varias etiquetas de forma conjunta. La evaluación se realiza sobre conjuntos de datos multietiqueta de imagen, texto y datos tabulares, empleando métricas estándar del ámbito multietiqueta, lo que permite estudiar el comportamiento de cada herramienta en contextos de distinta naturaleza y complejidad. Asimismo, se analiza el coste computacional asociado a cada herramienta, así como el impacto de la optimización de los umbrales de decisión y la influencia del soporte específico para la clasificación multietiqueta de AutoGluon en el rendimiento final.

Fields of Study & Subjects

Machine Learning and Data Classification Text and Document Classification Technologies Machine Learning and Algorithms

Publication details

Journal / source
Academica-e (Universidad Pública de Navarra)
Publication date
1 January 2026
Language
ES
Document type
Thesis