OPTIMIZACIÓN Y ANÁLISIS MULTICRITERIO EN MODELOS DE APRENDIZAJE AUTOMÁTICO BASADOS EN ÁRBOLES DE DECISIÓN

Los modelos de aprendizaje automático se han convertido en herramientas esenciales en el panorama de las grandes corporaciones. Estos modelos actúan como herramientas analíticas robustas, facilitando la toma de decisiones óptimas y proporcionando una ventaja competitiva al anticiparse a las tendencias y estrategias. En el presente estudio, introducimos una metodología para la evaluación de modelos de clasificación basados en árboles de decisión. Esta evaluación se lleva a cabo a través de la optimización multiobjetivo, la toma de decisiones multicriterio y un análisis meticuloso de los paradigmas de diseño. En nuestro enfoque, se analizan simultáneamente tres objetivos: precisión, recuerdo y número de variables, que a primera vista pueden parecer antagónicos. Utilizaremos algoritmos de aprendizaje automático con características estructurales diversificadas. El objetivo es dilucidar las variaciones de comportamiento a medida que se integran variables adicionales en el sistema. Argumentamos que en lugar de centrarse únicamente en las métricas convencionales de manera segmentada, es más beneficioso adoptar una metodología que sintetice estos objetivos.