Aplicación de microalgoritmos genéticos para la optimización de hiperparámetros en métodos de clasificación
DOI:
https://doi.org/10.30973/progmat/2025.17.3/5Palabras clave:
Microalgoritmos genéticos, computación evolutiva, aprendizaje automático, métodos de clasificaciónResumen
Este estudio propone el uso de microalgoritmos genéticos como una técnica de optimización de hiperparámetros para mejorar la precisión y eficiencia de algunos métodos de clasificaciòn. Se evaluaron cuatro modelos sin optimización de hiperparámetros y, posteriormente, se aplicó un microalgoritmo genético diseñado específicamente para ajustar el valor de sus hiperparámetros. El objetivo fue analizar el impacto de esta técnica en la mejora de la precisión de los métodos. Los resultados demostraron que la implementación de microalgoritmos genéticos no solo aumentó significativamente la exactitud de los métodos de clasificación, sino que también redujo el tiempo de entrenamiento, mostrando una mejora en la eficiencia. Estos hallazgos sugieren que los microalgoritmos genéticos pueden ser una herramienta efectiva para optimizar el rendimiento de los métodos de clasificación y resolver problemas de clasificación con mayor exactitud y rapidez.
Citas
Domingos P. A few useful things to know about machine learning. Communications of the ACM. 2012;55(10):78-87. https://doi.org/10.1145/2347736.2347755
Erden C, Demir HI, Kökçam AH. Enhancing Machine Learning Model Performance with Hyper Parameter Optimization: A Comparative Study. arXiv preprint arXiv:2302.11406. 2023. https://doi.org/10.48550/arXiv.2302.11406
Coello CAC, Pulido GT, Lechuga MS. Handling multiple objectives with particle swarm optimization. IEEE Transactions on Evolutionary Computation. 2007;8(3):256-279. https://doi.org/10.1109/TEVC.2004.826067
Eiben AE, Smith JE. Introduction to Evolutionary Computing. Springer-Verlag; 2003. https://doi.org/10.1007/978-3-662-44874-8
Mirjalili S. Genetic algorithm. In: Evolutionary Algorithms and Neural Networks. Springer, Cham; 2019. p. 43-55. https://doi.org/10.1007/978-3-319-93025-1
Coello CAC, Van Veldhuizen DA, Lamont GB. Evolutionary algorithms for solving multi-objective problems. Springer Science & Business Media; 2002. https://doi.org/10.1007/978-0-387-36797-2
Smith SL. A Review of Medical Applications of Genetic and Evolutionary Computation. In: Smith SL, Cagnoni S, editors. Genetic and evolutionary computation: medical applications. Wiley; 2011. Disponible en: https://www.wiley.com/en-us/Genetic+and+Evolutionary+Computation%253A+Medical+Applications-p-9781119956785
Kim JY, Cho SB. Evolutionary Optimization of Hyperparameters in Deep Learning Models. In: 2019 IEEE Congress on Evolutionary Computation (CEC); 2019 Jun 10-13; Wellington, New Zealand. IEEE; 2019. p. 831-837. https://doi.org/10.1109/CEC.2019.8790354
Suganuma M, Shirakawa S, Nagao T. A genetic programming approach to designing convolutional neural network architectures. In: Proceedings of the 2017 Genetic and Evolutionary Computation Conference. New York: ACM; 2017. p. 497-504. https://doi.org/10.1145/3071178.3071229
Shchygol G, Yakovlev A, Trnka T, van Duin ACT, Verstraelen T. ReaxFF Parameter Optimization with Monte Carlo and Evolutionary Algorithms: Guidelines and Insights. Journal of Chemical Theory and Computation. 2019;15(12). https://doi.org/10.1021/acs.jctc.9b00769
Murthy DHR, Mohan KG, Jacob A. Evolutionary Strategies for Parameter Optimization in Deep Learning Models. International Journal of Intelligent Systems and Applications in Engineering. 2023;12(2s):371-378.
Venske SM, Gonçalves RA, Benelli EM, Delgado MR. ADEMO/D: an adaptive differential evolution for protein structure prediction problem. Expert Systems with Applications. 2016;56:209-226. https://doi.org/10.1016/j.eswa.2016.03.009
Sorano R, Ripon KSN, Magnusson LV. Evolutionary multi-objective optimization of hyperparameters for decision support in healthcare. In: Kulkarni AJ, Gandomi AH, editors. Handbook of formal optimization. Springer Nature Singapore; 2023. p. 1-26. https://doi.org/10.1007/978-981-19-8851-6_28-2
Breiman L, Friedman JH, Olshen RA, Stone CJ. Classification and Regression Trees. Wadsworth & Brooks/Cole Advanced Books & Software; 1984. https://doi.org/10.1201/9781315139470
Altman NS. An introduction to kernel and nearest-neighbor nonparametric regression. The American Statistician. 1992;46(3):175-185. https://doi.org/10.1080/00031305.1992.10475879
Freund Y, Schapire RE. Large margin classification using the perceptron algorithm. Machine Learning. 1999;37(3):277-296. https://doi.org/10.1145/279943.279985
Ruder S. An overview of gradient descent optimization algorithms. arXiv preprint arXiv:1609.04747; 2016. https://doi.org/10.48550/arXiv.1609.04747
Coello CAC, Pulido GT. A niched Pareto genetic algorithm for multiobjective optimization. In Proceedings of the 2000 Congress on Evolutionary Computation. CEC00 (Cat. No. 00TH8512) (Vol. 1, pp. 83-90). IEEE; 2000. https://doi.org/10.1109/ICEC.1994.350037
Kelly M, Longjohn R, Nottingham K. The UCI Machine Learning Repository [Internet]. Disponible en: https://archive.ics.uci.edu
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2025 Antonio Guerrero Juárez, Abel García Nájera, Saúl Zapotecas Martínez, Karen Miranda
Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
Usted es libre de:
 |
Compartir — compartir y redistribuir el material publicado en cualquier medio o formato. |
 |
Adaptar — combinar, transformar y construir sobre el material para cualquier propósito, incluso comercialmente. |
Bajo las siguientes condiciones:
 |
Atribución — Debe otorgar el crédito correspondiente, proporcionar un enlace a la licencia e indicar si se realizaron cambios. Puede hacerlo de cualquier manera razonable, pero de ninguna manera que sugiera que el licenciador lo respalda a usted o a su uso. |
| Sin restricciones adicionales: no puede aplicar términos legales o medidas tecnológicas que restrinjan legalmente a otros a hacer cualquier cosa que permita la licencia. |
