2026-04-28T21:12:22Zhttps://uvadoc.uva.es/oai/requestoai:uvadoc.uva.es:10324/687152025-02-13T08:17:29Zcom_10324_38col_10324_852
Olmos Vela, Lucía
2024-07-12T07:50:57Z
2024-07-12T07:50:57Z
2024
https://uvadoc.uva.es/handle/10324/68715
Conseguir un buen rendimiento de los algoritmos de clasificación cuando se trabaja con datos
desbalanceados es una labor difícil. En los últimos años ha sido creciente la investigación en este
campo, debido a la relevancia que adquiere conseguir clasificar correctamente elementos anómalos
o poco comunes, en especial en entornos médicos, financieros o industriales.
Este trabajo explora distintas técnicas y enfoques, centrándose posteriormente en aquellas
particularizadas a conjuntos de datos compuestos por imágenes. Se estudian diferentes algoritmos
de balanceo dentro del ámbito del Deep Learning que buscan hacer frente a esta problemática
del desbalanceo de clases mejorando así el rendimiento en las tareas de clasificación.
Las técnicas empleadas son DeepSMOTE y BAGAN-GP. DeepSMOTE combina SMOTE,
método de resampling, con el DeepLearning generando imágenes de calidad. Por otra parte,
BAGAN-GP deriva del método BAGAN, ambos son modelos de balanceo basados en redes
generativas adversarias. Tras un proceso de análisis, este trabajo muestra que el empleo tanto de
BAGAN-GP como de DeepSMOTE mejora la tarea de clasificación, siendo esta última la técnica
que arroja los mejores resultados.
spa
info:eu-repo/semantics/openAccess
http://creativecommons.org/licenses/by-nc-nd/4.0/
Attribution-NonCommercial-NoDerivatives 4.0 Internacional
Soluciones Deep Learning para el aprendizaje con datos desbalanceados
info:eu-repo/semantics/bachelorThesis