Título:
ppforest2: entrenamiento de bosques aleatorios basados en proyecciones
Otros títulos:
Coordinador:
Director:
Compilador:
Autor:
Vidal Berriel, Andrés
Tutor:
da Silva, Natalia
Tipo de documento:
Trabajo final de grado
Editor:
Palabras clave:
Búsqueda de proyecciones
Árboles de decisión oblicuos
Bosques aleatorios
Estadística computacional
C++
Reproducibilidad
Árboles de decisión oblicuos
Bosques aleatorios
Estadística computacional
C++
Reproducibilidad
Descriptores:
ESTADISTICA COMPUTACIONAL
MODELOS PREDICTIVOS
CLASIFICACION ESTADISTICA
APRENDIZAJE ESTADISTICO
DESARROLLO DE SOFTWARE
MODELOS PREDICTIVOS
CLASIFICACION ESTADISTICA
APRENDIZAJE ESTADISTICO
DESARROLLO DE SOFTWARE
Año de publicación:
2026
Contenido:
Resumen:
Los árboles de decisión oblicuos basados en la búsqueda de proyecciones, junto con su agregación en bosques aleatorios, conforman una familia de modelos de clasificación que separa los grupos mediante combinaciones lineales de las variables predictoras, en lugar de las particiones paralelas a los ejes propias de los árboles tradicionales. El paquete PPforest implementa estos métodos en R; sin embargo, su tiempo de ejecución y su consumo de memoria crecen de forma pronunciada con el tamaño del problema, hasta volverse prohibitivos para conjuntos de datos grandes o bosques numerosos. Este trabajo presenta ppforest2, una reimplementación orientada a la eficiencia computacional, la reproducibilidad y la extensibilidad, que preserva el comportamiento estadístico del algoritmo original. La herramienta se construye sobre un núcleo en C++ y se expone a través de un paquete de R, publicado en CRAN e integrado con tidymodels; y de una herramienta de línea de comandos. La evaluación empírica frente a la implementación original confirma que ppforest2 genera modelos estadísticamente equivalentes en distribución y, en los regímenes más exigentes, reduce el tiempo de ejecución en varios órdenes de magnitud y el consumo de memoria en más de uno, además de aprovechar de manera eficiente el paralelismo provisto por múltiples hilos de cómputo. Asimismo, una comparación con otros clasificadores de uso extendido sitúa al método entre las alternativas más competitivas en desempeño predictivo del conjunto evaluado. Más allá de estos resultados, su diseño modular y las prácticas de ingeniería de software adoptadas (pruebas automatizadas, integración continua multiplataforma y reproducibilidad consistente entre sistemas operativos, arquitecturas y compiladores) constituyen una base confiable sobre la cual sostener nuevas extensiones del método. Por último, el trabajo atiende la puesta en producción: los modelos entrenados se serializan en un formato portable y pueden desplegarse para generar predicciones fuera del entorno de R, desde la línea de comandos o como un servicio web, sin reentrenarlos ni replicar el entorno de entrenamiento.
Descripción:
Editorial:
EN:
Financiadores:
Citación:
VIDAL BERRIEL, Andrés. ppforest2: entrenamiento de bosques aleatorios basados en proyecciones [en línea] Trabajo final de grado. Montevideo : Udelar. FCEA, 2026
Citación:
metadata.cc.license.name:
Documento del Gobiberno:
URI:
https://hdl.handle.net/20.500.12008/56830
ISBN:
e-ISBN:
ISSN:
ISMN:
Otros identificadores:
Título Obtenido:
Licenciado en Estadística
Facultad o Servicio que otorga el Título:
Universidad de la República (Uruguay). Facultad de Ciencias Económicas y de Administración
Licencia:
Atribución/Reconocimiento-NoComercial-SinDerivados 4.0 Internacional
Cobertura geográfica:
Cobertura temporal:
metadata.dc.relation.IsVersionOf:
Clasificación:
Es versión de:
| Ficheros | Descripción | Tamaño | Formato | ||
|---|---|---|---|---|---|
| TFG_Vidal_Andres.pdf | — | 2.29 MB | Adobe PDF |
Licencia Creative Commons:
Excepto donde se indique lo contrario, la licencia de este ítem se describe como Atribución/Reconocimiento-NoComercial-SinDerivados 4.0 Internacional