Equa ion Chap e 1 Sec ion 1
T abajo Fin de G ado
en Ingenie ía de las Tecnologías de Telecomunicación
P edicción de la p obabilidad de inundaciones
u ilizando écnicas de in eligencia a i icial
Au o : José Al onso Ca pio de la Fuen e
Tu o : F ancisco José Simois Ti ado
Dp o. Teo ía de la Señal y Comunicaciones
Escuela Técnica Supe io de Ingenie ía
Uni e sidad de Se illa
Se illa, 2025
P edicción de la p obabilidad de inundaciones u ilizando écnicas de in eligencia a i icial
ii
P edicción de la p obabilidad de inundaciones u ilizando écnicas de in eligencia a i icial
iii
T abajo Fin de G ado
en Ingenie ía de las Tecnologías de Telecomunicación
P edicción de la p obabilidad de inundaciones
u ilizando écnicas de in eligencia a i icial
Au o :
José Al onso Ca pio de la Fuen e
Tu o :
F ancisco José Simois Ti ado
Dp o. de Teo ía de la Señal y Comunicaciones
Escuela Técnica Supe io de Ingenie ía
Uni e sidad de Se illa
Se illa, 2025
P edicción de la p obabilidad de inundaciones u ilizando écnicas de in eligencia a i icial
i
P edicción de la p obabilidad de inundaciones u ilizando écnicas de in eligencia a i icial
T abajo Fin de G ado: P edicción de la p obabilidad de inundaciones u ilizando écnicas de in eligencia
a i icial
Au o :
José Al onso Ca pio de la Fuen e
Tu o :
F ancisco José Simois Ti ado
El ibunal nomb ado pa a juzga el P oyec o a iba indicado, compues o po los siguien es miemb os:
P esiden e:
Vocales:
Sec e a io:
Acue dan o o ga le la cali icación de:
Se illa, 2024
El Sec e a io del T ibunal
P edicción de la p obabilidad de inundaciones u ilizando écnicas de in eligencia a i icial
i
Ag adecimien os
Ag adece en p ime luga a mi amilia, en especial a mis pad es po apoya me en odo es e eco ido y da me
siemp e apoyo, a mi no ia y compañe os po es a ahí en los momen os más di íciles y po úl imo a mis
p o eso es po consegui que me apasione lo que hago.
G acias.
José Al onso Ca pio de la Fuen e.
P edicción de la p obabilidad de inundaciones u ilizando écnicas de in eligencia a i icial
ii
P edicción de la p obabilidad de inundaciones u ilizando écnicas de in eligencia a i icial
iii
Resumen
En es e T abajo de Fin de G ado se abo da á el p oblema de p edicción de la p obabilidad de inundaciones en
dis in as egiones u ilizando écnicas de ap endizaje au omá ico.
Pa a ello se ha abajado con un da ase ex aído de la pla a o ma Kaggle que con iene más de un millón de
mues as e ique adas con 21 a iables elacionadas con ac o es de iesgo.
Se han implemen ado y compa ado es algo i mos p incipales: K-Nea es Neighbo s (KNN), Random Fo es
(basado en Decision T ees) y Adaboos . Además, se ha ealizado un análisis explo a o io de los da os (EDA)
pa a e la na u aleza y compo amien o de los mismos y una selección de ca ac e ís icas y ajus e de
hipe pa áme os median e écnicas como RFE y G idSea chCV.
El núme o de mues as usado implica ob ene mejo o peo es esul ados, haciendo que cuando se usan odas
las mues as se ob engan mucho mejo es esul ados que al usa un núme o aco ado de es as ob enidos po
RFE.
E a algo de espe a ya que al ene más in o mación nues a p edicción iba a se más exac a.
En cuan o al uso de los di e en es algo i mos, encon amos que el algo i mo a p io i más sencillo, en es e caso
el KNN, es el más comple o basándonos en las pa amé icas usadas pa a las e aluaciones. No obs an e, solo
alo ando el ema de la pa amé ica p incipal (R²) se ob end ía el mejo esul ado con el algo i mo más
complejo, Adaboos , el único algo i mo de boos ing, siendo a p io i algo lógico ya que es e ipo de algo i mos
e asegu an un mayo endimien o.
Es os esul ados demues an el po encial del ap endizaje au omá ico pa a ayuda en la de ección emp ana de
iesgos de inundación, lo cual puede ene un impac o ele an e en la p e ención de desas es na u ales.
P edicción de la p obabilidad de inundaciones u ilizando écnicas de in eligencia a i icial
ix
P edicción de la p obabilidad de inundaciones u ilizando écnicas de in eligencia a i icial
x i
ÍNDICE DE FIGURAS
Figu a 2-1. Di isión de los ipos de In eligencia A i icial y explicación 5
Figu a 2-2. Di e encia de da os es uc u ados s da os no es uc u ados 7
Figu a 2-3. C onog ama e olu i o de la IA a lo la go de los años 7
Figu a 3-1. Mé icas usadas en eg esión 11
Figu a 3-2. Ejemplo de eg esión lineal 12
Figu a 3-3. Ejemplo eg esión logís ica 12
Figu a 3-4. Ejemplo de Decision T ee 13
Figu a 3-5. Ejemplo k-NN 14
Figu a 3-6. Ejemplo de subajus e, sob eajus e y óp imo pa a un modelo de clasi icación y eg esión 16
Figu a 3-7. Di isión del conjun o de da os po el mé odo más simple 17
Figu a 3-8. Rep esen ación K-Fold 18
Figu a 3-9. Ma iz de con usión 19
Figu a 4-1. Es uc u as de edes neu onales 22
Figu a 4-2. Modelo de una neu ona a i icial 23
Figu a 4-3. Es uc u a RNM 24
Figu a 4-4. Escalón y su de i ada 25
Figu a 4-5. Sigmoidea y su de i ada 25
Figu a 4-6. Tangen e hipe bólica y su de i ada 26
Figu a 4-7. ReLU y su de i ada 26
Figu a 5-1. Rep esen ación de a iables ca egó icas en el da ase 31
Figu a 5-2. Ca ac e ís icas de alguno de las a iables del da ase 32
Figu a 5-3. His og amas de las a iables del da ase 33
Figu a 5-4. Co elación en e a iables del da ase 34
Figu a 5-5. Rendimien o del modelo s K 36
Figu a 5-6. Valo es eales s p edichos con línea de eg esión 37
Figu a 5-7. Valo es eales s p edichos con línea de eg esión (KNN con 9 a iables) 38
Figu a 5-8. Dis ibución de e o es p edichos s eales 39
Figu a 5-9. E o absolu o s alo eal 40
Figu a 5-10. P edicción s Real con línea de endencia 42
Figu a 5-11. Valo es eales s p edichos con línea de eg esión (con 9 a iables) 43
P edicción de la p obabilidad de inundaciones u ilizando écnicas de in eligencia a i icial
x ii
Figu a 5-12. Dis ibución de e o es p edichos s eales 44
Figu a 5-13. E o absolu o s Valo Real 44
Figu a 5-14. P edicción eal s alo eal 47
Figu a 5-15. P edicción s eal (con 9 ca ac e ís icas más impo an es) 48
Figu a 5-16. Dis ibución de e o es p edichos s eales 48
Figu a 5-17. E o absolu o s eal 49
Figu a 6-1. P edicción de los alo es con el algo i mo XGBoos 54
P edicción de la p obabilidad de inundaciones u ilizando écnicas de in eligencia a i icial
x iii
No ación
IA
In eligencia A i icial
ML
Machine Lea ning
DL
Deep Lea ning
MSE
Minimum squa e e o
MAE
Mean Absolu e E o
MBE
Mean Bias E o
𝑌
𝑖
Valo es eales
𝑦𝑖
P edicciones del modelo
n
To al de p omedios
𝑋𝑖
Conjun o de en adas
𝑊𝑖𝑗
Peso sináp ico
𝐻𝑖
Regla de p opagación
F
Función de ac i ación
P edicción de la p obabilidad de inundaciones u ilizando écnicas de in eligencia a i icial
1
1 INTRODUCCIÓN
1.1. Mo i ación del P oyec o
La mo i ación de la elabo ación de es e p oyec o eside en 3 pila es undamen ales:
P ime o, la In eligencia A i icial (IA), en sus a iadas o mas, es un á ea de es udio que me esul a
sumamen e in e esan e. Su capacidad pa a maneja y analiza in o mación, ap ende de los da os y c ea
soluciones conc e as en dis in os campos, desde la au oma ización has a las decisiones cla e, me mo i ó a
inicia es a in es igación. Es a a inidad po las á eas de la IA, como el Machine Lea ning y el Deep
Lea ning, es la base de la me odología empleada en es e abajo.
Segundo, el ema de la p edicción de la p obabilidad de inundaciones se eligió po se un p oblema muy
ecien e con impo an es e ec os a ni el mundial. Las inundaciones, que son más ecuen es e in ensas
que an es, causan daños e ibles en lo socioeconómico y en lo humano. Es os sucesos son complejos, ya
que dependen de muchos ac o es geog á icos, climá icos y humanos, lo que equie e c ea he amien as
p edic i as a anzadas. La idea de que la In eligencia A i icial puede da un en oque no edoso y sólido
pa a mejo a la p ecisión y la an icipación en el manejo de es os desas es na u ales in luyó mucho en la
elección de es a línea de in es igación.
Po úl imo, es e p oyec o es una g an ocasión pa a mejo a ap i udes gene ales, an o en el análisis de
da os como en la p og amación. El abajo equie e en ende bien los da os, usa mé odos
compu acionales a anzados y c ea soluciones algo í micas e icaces. In eg a es as habilidades en un
en o no p ác ico y con un posible impac o cla o en la segu idad y el bienes a social es una mo i ación
más y un pila o ma i o cla e de es e T abajo Fin de G ado.
1.2. Obje i os del P oyec o
El obje i o gene al de es e T abajo Fin de G ado es desa olla y e alua modelos p edic i os de la
p obabilidad de inundaciones u ilizando di e sas écnicas de Machine Lea ning, con el in de iden i ica el
algo i mo más adecuado que o ezca un equilib io óp imo en e p ecisión, e iciencia compu acional y obus ez.
Pa a alcanza es e obje i o gene al, se es ablecen los siguien es obje i os especí icos:
• Recopilación y P ep ocesamien o de Da os: Recopila un conjun o de da os ele an e que con enga
ac o es his ó icos asociados a la p obabilidad de inundaciones, y ealiza un p ep ocesamien o
exhaus i o pa a asegu a la calidad y la idoneidad de los da os pa a el en enamien o de los modelos
de IA.
• Selección y Adap ación de Algo i mos de Machine Lea ning: Iden i ica y adap a algo i mos de
Machine Lea ning supe isado, ales como K-Nea es Neighbo s (KNN), Random Fo es y
AdaBoos , que son ap opiados pa a p oblemas de eg esión p edic i a, jus i icando su elección en
base a sus ca ac e ís icas y po encial endimien o.
• En enamien o y Op imización de Modelos: En ena los algo i mos seleccionados u ilizando el
conjun o de da os p epa ado. Se implemen a án écnicas de op imización de hipe pa áme os pa a
cada modelo, con el obje i o de maximiza su endimien o p edic i o y asegu a la gene alización.
• E aluación del Rendimien o de los Modelos: E alua de mane a igu osa el endimien o de cada
modelo u ilizando mé icas de eg esión adecuadas (po ejemplo, el coe icien e de de e minación R²,
P edicción de la p obabilidad de inundaciones u ilizando écnicas de in eligencia a i icial
2
el E o Absolu o Medio (MAE) y el E o Cuad á ico Medio (MSE/RMSE)), compa ando sus
capacidades p edic i as y su obus ez.
• Análisis Compa a i o y Conclusiones: Realiza un análisis compa a i o de allado en e los
algo i mos implemen ados, conside ando no solo las mé icas de endimien o, sino ambién el iempo
de ejecución, la complejidad compu acional y la in e p e abilidad, pa a de e mina el modelo más
e icaz pa a la p edicción de la p obabilidad de inundaciones
1.3. O ganización de la Memo ia
La memo ia se ha es uc u ado en di e en es capí ulos, cada uno abo dando un aspec o undamen al en el
desa ollo, siguiendo una lógica secuencial que guía desde los undamen os eó icos has a los esul ados y
conclusiones ob enidos.
• Capí ulo 1: In oducción. Es ablece la mo i ación de ás del p oyec o, de ine los obje i os
p incipales y especí icos, y p esen a la es uc u a o ganiza i a de la memo ia.
• Capí ulo 2,3,4: Ma co Teó ico. Se in oduce la base concep ual de la In eligencia A i icial, el
Machine Lea ning y el Deep Lea ning. Se de allan los p incipios undamen ales de los algo i mos
seleccionados pa a el es udio (K-Nea es Neighbo s, Random Fo es y AdaBoos ), así como las
mé icas de e aluación de modelos de eg esión.
• Capí ulo 5: Análisis y Conclusiones. Es e capí ulo aba ca desde la de inición de la me odología a
segui has a las conclusiones ob enidas con cada algo i mo usado.
En p ime luga , se desc iben, la desc ipción del conjun o de da os, las e apas de p ep ocesamien o, la
es a egia de pa ición y los p ocesos de en enamien o y op imización de hipe pa áme os.
A con inuación, se de alla el en o no de desa ollo, las he amien as empleadas y la implemen ación
p ác ica de los algo i mos pa a la cons ucción de los modelos p edic i os.
Pos e io men e, se p esen an los esul ados expe imen ales, incluyendo mé icas de endimien o,
iempos de ejecución y un análisis compa a i o de los modelos, des acando sus o alezas y
debilidades.
Finalmen e, se exponen las p incipales conclusiones del es udio, se alo a el cumplimien o de los
obje i os y se p oponen u u as líneas de in es igación.
P edicción de la p obabilidad de inundaciones u ilizando écnicas de in eligencia a i icial
3
2 INTELIGENCIA ARTIFICIAL, MACHINE
LEARNING Y DEEP LEARNING
Es e capí ulo aba ca á una p ime a oma de con ac o con la In eligencia A i icial, el Ap endizaje Au omá ico
y el Ap endizaje P o undo, de iniendo cada uno de es os concep os y explicando las di e encias más no o ias
que exis en en e ellos. Nos se i á pa a ob ene una p ime a oma de con ac o con es e mundo.
2.1. ¿Qué es la IA, ML y DL?
Es e capí ulo p e ende aba ca una p ime a ap oximación a la In eligencia A i icial (IA), al Machine Lea ning
(ML) y al Deep Lea ning (DL). Con ello i emos de iniendo cada uno de los concep os e i emos explicando las
di e encias más dis in i as que se encuen an en e ellos. Nos se i á pa a ene una p ime a ap oximación a
odo es e mundo.
En p ime luga , con ex ualiza emos cada uno de es os é minos pa iendo de qué es Big Da a, ya que es a es
un conjun o de da os masi o y complejo que no puede se p ocesado median e he amien as adicionales,
ca ac e izado po Volumen, Velocidad, Va iedad, Ve acidad y Valo , al como de ine el modelo 5Vs. [36]
La p ime a de inición que aba ca emos se á la IA o In eligencia A i icial, es la más gene al de las es, es
deci , el campo del sabe es más amplio y menos especí ico que el de las dos de iniciones siguien es.
La In eligencia A i icial (IA) es un campo de es udio que se enca ga de desa olla sis emas capaces de
ejecu a a eas que equie en de la in eligencia humana, como es el caso de la oma de decisiones, el
econocimien o de oz o la aducción de idiomas. Tiene su undamen o en el compo amien o humano y se
puede desc ibi como una simulación humana a a és de la acción de unos algo i mos. Es os analizan el
en o no pa a pode iden i ica pa ones y pa a pode gene a espues as adap a i as. [1]
El é mino IA ue c eado po John McCa hy (1956 en la Con e encia de Da mou h) quien lo oma como la
ciencia e ingenie ía pa a la c eación de máquinas que piensan, o pa a se p ecisos, máquinas que son capaces
de ealiza p og amas in o má icos de al a complejidad, siendo así pod íamos conside a que la IA es un
sis ema que abaja en base a una can idad ele ada de in o mación y que pa a oma sus decisiones lo hace
bajo unos c i e ios undamen ados en un análisis es adís ico. Es o signi ica que no piensa, ni ampoco azona
de la misma o ma que lo hace un se humano, pe o op imiza sus espues as basándose en pa ones y
p obabilidades. En es e sen ido, la IA se ige como una pode osa he amien a en casi cualquie con ex o donde
se da la acción humana.
Dicho es o, la IA ha p og esado mucho y se ha ido con i iendo en una disciplina esencial en casi cualquie
con ex o; es o es, cualquie ámbi o donde exis a la acción humana.
P edicción de la p obabilidad de inundaciones u ilizando écnicas de in eligencia a i icial
4
En segundo luga , habla emos del ML o Ap endizaje Au omá ico, el cual acili a que los o denado es
ap endan a pa i de los da os sin necesidad de una p og amación di ec a, es deci , obedecen ins ucciones al
pie de la le a, es os algo i mos explo an olúmenes masi os de in o mación pa a iden i ica endencias y
ealiza p onós icos. Es o ha impulsado su implemen ación en di e sos ámbi os, ales como los sis emas de
suge encias en pla a o mas digi ales, asis en es i uales en e o as. [2]
Consis e en adies a modelos usando ejemplos pasados, conocidos como da os de en enamien o ( ain). Cada
ez que el algo i mo se en en a a una nue a si uación, iene la posibilidad de eajus a sus pa áme os y a ina
su exac i ud en la oma de decisiones. Tal como señaló Tom Mi chell en 1997, “un sis ema ap ende de e dad
si su e iciencia en una a ea mejo a con la p ác ica”.
Dicho de o o modo, cuan o más di e so sea el conjun o de da os que ecibe du an e su o mación, más ce e o
se á en sus u u as es imaciones.
A di e encia de o os mé odos compu acionales que se basan en ó mulas es ablecidas, los modelos de
Ap endizaje Au omá ico son lexibles y se amoldan a los cambios en los da os, ol iéndolos aliosos en
escena ios donde es ablece eglas de o ma manual o ambien es donde la in o mación se enue a
cons an emen e. La exac i ud es uno de los indicado es más ele an es pa a calib a su uncionamien o, ya que
su me a es educi al mínimo los allos en las es imaciones.
G acias a las con inuas mejo as en el p ocesamien o de da os, olúmenes masi os de es os y mejo a de la
ecnología ha c ecido no ablemen e su uso y aplicaciones en sec o es como la economía, in o má ica o
medicinas en e o os, con i iéndose así en una he amien a cla e pa a op imiza y au oma iza p ocesos.
Po úl imo, enemos el DL o Ap endizaje P o undo es una e olución so is icada den o del Machine Lea ning.
Se basa en el uso de edes neu onales a i iciales o madas po múl iples capas que se enca gan de analiza y
desci a pa ones p esen es en conjun os de da os que p esen amos (de es as habla emos más adelan e). A su
ez se es uc u an en ni eles acili ando así la iden i icación de conexiones en e los da os, desde lo
undamen al has a lo más complejo. [3]
Una de las mayo es i udes del Deep Lea ning es que no necesi a una selección manual de las ca ac e ís icas
impo an es, sino que el p opio modelo las selecciona di ec amen e de los da os, ya sea median e o os, ex os
o audios, es o hace que se necesi a una g an can idad de da os y una capacidad de cálculo eno me pa a su
co ec o uncionamien o.
Hoy po hoy, el Deep Lea ning se ha posicionado como una de las écnicas más pun e as en el mundo del
Machine Lea ning, encon ando aplicaciones en ámbi os como el econocimien o de oz, el p ocesamien o del
lenguaje na u al, la isión a i icial y los sis emas a anzados de ayuda a la conducción.
Un buen ejemplo de su aplicación es el sis ema de aducción au omá ica de Facebook, que ha llegado a
e ec ua ce ca de 4. 5 mil millones de aducciones cada día g acias a modelos basados en Deep Lea ning.
Sin es a ecnología, o ece el mismo se icio implica ía una g an in e sión en pe sonal y se ía
conside ablemen e más ca o.
En conclusión, el Deep Lea ning se ha mos ado como una he amien a cla e pa a que a ance la in eligencia
a i icial, log ando que los sis emas sean más p ecisos, lexibles y puedan c ece pa a ges iona can idades
ingen es de da os.
P edicción de la p obabilidad de inundaciones u ilizando écnicas de in eligencia a i icial
5
Figu a 2-1. Di isión de los ipos de In eligencia A i icial y explicación. [6]
2.2. Di e encias p incipales en e IA, ML y DL.
Como podemos obse a en la igu a 2.1 an o el ML como el DL son ipos de IA. A con inuación,
ecoge emos una se ie de ca ac e ís icas en una abla a modo de esumen que explican algunas de las
di e encias en e es os dos ipos de ecnologías.
Ca ac e ís icas
ML
DL
Tamaño de mues as
Conjun o pequeño
G andes can idades
Tiempo de en enamien o
Simple, meno p ecisión y co o
iempo
Complejo, más p eciso y la go
iempo
Ex acción de ca ac e ís icas
Requie e mayo in e ención
humana pa a co egi y ap ende
Ap ende po sí mismo po en o no
y e o es pasados
Rendimien o s can idad de
da os
Di ec amen e p opo cional has a
un pun o donde comienza a se al
con a io
Di ec amen e p opo cional, más
da os mayo p ecisión
Tipos de co elación
Simples y lineales
No lineales y complejas
Capacidad p ocesamien o
Puede hace se con CPU (bajo
endimien o)
Necesi a GPU (al o endimien o)
In e p e abilidad
Al a
Baja
Tabla 2-1. Compa a i a en e ML y DL [4]
P edicción de la p obabilidad de inundaciones u ilizando écnicas de in eligencia a i icial
6
2.3 In eligencia A i icial
En es e capí ulo como comen ábamos an e io men e ecoge emos los aspec os más impo an es de la IA o
In eligencia A i icial en ando más en de alle en emas como en que consis e ealmen e la IA, que ipos de IA
exis en hoy día, e olución his ó ica de la IA y las p incipales aplicaciones y usos que iene o a a ene en un
u u o.
En es e capí ulo no amos a en a en de alle de ML o DL ya que ienen su capí ulo especí ico en es e abajo.
2.3.1. ¿Qué es exac amen e la IA o In eligencia A i icial?
La IA como bien sabemos es un ema complejo po lo que pa a de ini qué es exac amen e encon amos
di e sas de iniciones de las cuales una de las más in e esan es que se quie e compa i es “la habilidad de los
o denado es pa a hace ac i idades que no malmen e equie en in eligencia humana”
Si a inamos un poco más la de inición, pod íamos deci que la IA es esa habilidad que ienen las máquinas
pa a analiza in o mación y oma decisiones. En conclusión, digamos que in en an copia lo que hacemos
noso os, pe o son mucho más ápidas, no se cansan y se equi ocan menos. Es as ecnologías ya son capaces
de lle a a cabo abajos complicados que an es solo podíamos hace las pe sonas, lo cual es á op imizando
bas an es sec o es.
No obs an e, hay que i con pies de plomo con su ápido desa ollo, po que ambién pod ía ae consecuencias
no deseadas. Una de las mayo es en ajas es que pod emos enca ga a las máquinas esas a eas que son
abu idas, pelig osas o demasiado en e esadas pa a noso os. Así, end emos más iempo y medios pa a
dedica nos a lo que ealmen e impo a o a c ea cosas nue as.
Hoy en día encon amos in inidad de usos en muchas á eas como la medicina, economía, ma emá icas y un
la go e cé e a y miles de he amien as de las cuales caben des aca modelos como Cha GPT, Copilo … en e
o os que en a emos más en de alle en los p óximos apéndices.
2.3.2. La impo ancia de los da os
Un ema que cabe des aca es, ¿son impo an es los da os pa a el desa ollo de es a ecnología? La espues a es
sí.
Hoy en día, las emp esas más impo an es son aquellas que manejan un g an olumen de da os, y no solo po
el al o olumen sino po la calidad de es os.
La p egun a es ¿en qué a ec a es o a la IA? Pues g acias a los ele ados núme os de da os que encon amos y
ecopilamos hoy día las emp esas son capaces de mejo a la expe iencia del usua io, un ejemplo puede se
Google o Ne lix, usando las búsquedas y comp as pa a suge i p oduc os o se ies que sean más aco des con el
pe il del usua io. G acias a es o se consigue una mayo cap ación de usua ios lo que se aduce a un núme o
mayo de ing esos.
Siendo así la IA un conjun o de me odologías que in en an aplica modelos ma emá icos a un conjun o de
da os con el in de ealiza una acción de la mejo o ma posible pa a ob ene un esul ado cohe en e.
Todo es o se undamen a p incipalmen e en dos p ocesos siendo es os el azonamien o y el ap endizaje.
El azonamien o lo pod íamos de ini como la capacidad de c ea la espues a más adecuada a un p oblema
plan eado a pa i de los da os p opo cionados.
Po o o lado, el ap endizaje, es el conjun o de écnicas que dan pode a los sis emas pa a lidia con p oblemas
complejos, especialmen e aquellos que ca ecen de una solución ob ia o ins ucciones ijas. Es o es de g an
u ilidad en á eas como el p ocesamien o del lenguaje (NLP) o la p edicción de endencias de
P edicción de la p obabilidad de inundaciones u ilizando écnicas de in eligencia a i icial
7
compo amien o. Den o de es e con ex o, sob esalen di e en es écnicas, p incipalmen e el ap endizaje
supe isado y el no supe isado, que explica emos a de alle más adelan e.
Pa a con ex ualiza y comp ende mejo los ipos de da os exis en es, es os pueden clasi ica se en dos
ca ego ías p incipales: da os es uc u ados y da os no es uc u ados.
En el pasado, los da os que se usaban mayo men e e an los da os es uc u ados, siendo ejemplos de es os
núme os, echas, di ecciones… los cuales son sencillos de usa .
Po o o lado, los da os no es uc u ados como imágenes, ex os… p esen an un e o mayo al in en a
examina los.
Ac ualmen e, g acias al uso de la in eligencia a i icial, es posible p ocesa es e ipo de da os de o ma
e icien e, lo que pe mi e ealiza p edicciones y o ganiza la in o mación de mane a más e ec i a. Es o
con ie e su análisis en una he amien a cla e pa a gene a bene icios sociales, como la mejo a en el ámbi o de
la salud, la segu idad ial o el acceso a la educación.
Figu a 2-2. Di e encia de da os es uc u ados s da os no es uc u ados. [7]
2.3.3. C onog ama e olución de la IA
En es a igu a ecoge emos los p incipales hi os elacionados con la In eligencia A i icial pa a con ex ualiza
un poco odo el impac o y epe cusión de es a a lo la go de las décadas.
Figu a 2-3. C onog ama e olu i o de la IA a lo la go de los años. [8]
P edicción de la p obabilidad de inundaciones u ilizando écnicas de in eligencia a i icial
14
3.1.1.4 KNN
El algo i mo KNN o Vecinos más ce canos es un algo i mo de ML el cual se puede u iliza an o en p oblemas
de clasi icación o eg esión. Es uno de los algo i mos más simple de aplica y se basa en el caso de
clasi icación el algo i mo asigna a un nue o pun o de da os en unción de la clase más ecuen e en e sus "k"
ecinos más ce canos, que se de e minan según la dis ancia. Es e algo i mo es an sencillo po que no necesi a
un en enamien o p e io, sino que almacena los da os y elaciona los nue os en unción de es os. La dis ancia
más común que se usa es la dis ancia Euclidiana. [14]
Con elación al ejemplo de la imagen, den o del p ime cí culo y eniendo en cuen a las ca ac e ís icas
an e io men e mencionadas, el alo asignado a la a iable a p edeci se á iángulo ya que hay más elemen os
iángulos en esa dis ancia.
En cambio, en el 2 cí culo se ob iene que la a iable se ia asignada a es ella ya que enemos 4 es ellas en e
a 3 iángulos. Es o se a ía po K, es deci , en el p ime caso oma íamos una asignación basada en los k=3
ecinos más ce canos siendo es os 2 iángulos y 1 es ella, en onces al habe más iángulos se asigna ía
iangulo a la a iable a p edeci .
En el segundo ejemplo ob end íamos que k=7 siendo aho a el núme o de es ellas mayo que de iángulos po
eso se asigna ía iángulos. Tend íamos que encon a el alo op imo de K pa a que la p edicción sea lo más
p ecisa posible.
Figu a 3-5. Ejemplo k-NN. [15]
P edicción de la p obabilidad de inundaciones u ilizando écnicas de in eligencia a i icial
15
3.1.2 Ap endizaje no supe isado
El ap endizaje no supe isado es una o ma de en enamien o de algo i mos que consis e en que el modelo
ap enda po sí mismo los pa ones y elaciones de los da os sin apo a le nada p e iamen e, eso signi ica que
los da os no es án e ique ados no habiendo una a ibución de salida a un da o de en ada.
Alguno de los ipos de ap endizaje no supe isados son:
1. Clus e ing (Ag upamien o) como po ejemplo K-means
2. De ección de anomalías como po ejemplo SVM
3.1.3 Ap endizaje semisupe isado
El ap endizaje supe isado es un mix en e el supe isado y no supe isado. Se usa p incipalmen e cuando el
conjun o de da os p esen a an o da os e ique ados como no e ique ados.
El modelo c ea un p ime modelo inicial con una can idad limi ada de da os e ique ados el cual usa después
pa a p edeci las e ique as de los da os no e ique ados c eando así un modelo comple amen e e ique ado. A
pa i de es e modelo inal se en ena el modelo, ya que es más obus o.
Es una opción ealis a ya que en la mayo ía de los casos de la ida eal no se p esen an los da os
comple amen e e ique ados.
3.1.4 Ap endizaje po e ue zo
El ap endizaje e o zado o po es ue zo es un algo i mo donde un agen e ac úa den o de su ambien e omando
decisiones las cuales hacen que eciba una ecompensa o penalización en unción de su esul ado, es deci , de
como de bien ha esuel o el p oblema.
El obje i o es consegui op imiza las ecompensas a medida que pasa el iempo adap ándose así a es e. Es e
plan eamien o es ú il sob e odo cuando se busca que el modelo mejo e su desempeño con el paso del iempo
no eniendo que ene muchos da os de en enamien o ya que ap ende a base de p ueba y e o , haciendo así
que al inicio la p ecisión sea muy baja, pe o aya mejo ando con o me pase el iempo.
3.2. Modelo de Machine lea ning
P ime o da emos una isión gene al sin en a mucho en de alle de que cosas hay que ene en cuen a y lle a a
cabo cuando abajamos con da os pa a c ea un modelo de ML. En p ime luga , hay que ealiza una ETL
que signi ica Ex acción, T ans o mación y Ca ga de da os. Es o nos lle a á la mayo pa e del iempo ya que
debemos limpia esos da os, es deci , que cada a iable enga un alo y los da os no con engan uido.
Además, hay que no maliza odos esos da os pa a que p esen en el mismo o ma o pa a que a la ho a de
abaja con ellos no engamos ningún p oblema de incompa ibilidad. [9]
Después hab á que lle a a cabo una EDA (análisis explo a o io de los da os) que consis e p incipalmen e en
que in o mación con ienen nues os da os usando he amien as como Py hon y sus lib e ías siendo algún
ejemplo his og amas, mapas de calo , au oco elaciones…
Todo es o nos ayuda a a en ende la elación que exis e en e las a iables que usamos en nues o modelo. Al
no habe ningún modelo exac o pa a ningún conjun o de da os el p incipal p oblema que nos encon a emos al
c ea nues o modelo es el o e i ing/unde i ing.
P edicción de la p obabilidad de inundaciones u ilizando écnicas de in eligencia a i icial
16
3.2.1. P oblemas en la p ecisión del modelo
- El unde i ing o subajus e es cuando el modelo no con iene su icien emen e conocimien o de los
da os de en enamien o gene ando p edicciones inco ec as sob e los nue os da os que se des inan a la
alidación ya que el modelo es demasiado simple o se han des inado pocos da os al en enamien o.
Las soluciones son aumen a el iempo o núme o de da os, aumen a la complejidad del modelo…
- El o e i ing o sob eajus e se p oduce, al con a io, es deci , cuando se des inan demasiados da os
al conjun o de en enamien o y du an e demasiado iempo haciendo que el modelo memo ice es e
conjun o de da os y pa a da os nue os el modelo no sea capaz de ajus a se de mane a co ec a.
Pa a lle a a cabo un ajus e óp imo hace al a lle a a cabo un balance óp imo en e el subajus e y el
sob eajus e en enando al modelo con un conjun o de da os que al segui des inándole más empieza a
empeo a .
Figu a 3-6. Ejemplo de subajus e, sob eajus e y óp imo pa a un modelo de clasi icación y eg esión. [16]
3.2.2. Da a Spli ing o Di isión de conju o de da os
Un paso impo an e pa a consegui es a es abilidad es la di isión que lle a emos a cabo pa a el conjun o de
da os de en enamien o, alidación y es eo.
En p ime luga ¿qué son los da os de en enamien o, alidación y es eo? El nomb e que se le da a cada uno
de es os subconjun os den o del conjun o p incipal de da os depende de su unción en el modelo. [17] [18]
• Da os de En enamien o: El modelo u iliza es os da os pa a ap ende y ajus a se a ellos pa a los
u u os da os p opo cionados
P edicción de la p obabilidad de inundaciones u ilizando écnicas de in eligencia a i icial
17
• Da os de Validación: Se u ilizan pa a alida el modelo y e i a p oblemas como o e i ing.
• Da os de es eo: Se u ilizan pa a e alua el modelo con da os no is os y e como de p eciso es en
condiciones eales.
El o den del uso de es os subconjun os se ia en enamien o, alidación y es eo.
Aho a e emos a ias o mas de di idi es os subconjun os ya que como bien sabemos no hay ningún modelo
“pe ec o” po lo que hay que usa di e en es écnicas pa a in en a que sea lo más p eciso posible.
• El mé odo más sencillo se ia di idi en 70% de los da os en el subconjun o de en enamien o y el 30%
es an e en el es eo, dejando a un lado el subconjun o de alidación. (Es os subconjun os
ep esen a ían un ejemplo posible de di isión exis iendo ambién la posibilidad de di idi los 75%-
25%, 80%-20%...)
Figu a 3-7. Di isión del conjun o de da os po el mé odo más simple [18]
• O a o ma de di idi los aho a eniendo en cuen a el subconjun o de alidación se ia dando
ap oximadamen e un 70% del o al al subconjun o de en enamien o y un 30% al es o, quedando un
20% pa a alidación y un 10% pa a es eo. El subconjun o de es eo se deja apa ado has a el
momen o que que amos alida la calidad de nues o modelo llamando a es e p oceso leakage
in o ma ion.
• K-Folds o Validación C uzada, es una écnica ú il cuando el conjun o de da os es ela i amen e
pequeño. Consis e en di idi el conjun o de en enamien o en k pa es haciendo que el modelo en ene
en cada i e ación con el k-n conjun o y alida con el es o epi iéndolo k eces o ando así el conjun o
de alidación.
P edicción de la p obabilidad de inundaciones u ilizando écnicas de in eligencia a i icial
18
Es e ipo de di isión hace que consigamos un endimien o mucho más iable y obus o u ilizando
a ios ciclos de en enamien o haciendo así que se eduzca la p obabilidad de que ocu a sob eajus e o
subajus e.
Figu a 3-8. Rep esen ación K-Fold. [18]
3.2.3. Mé icas de alidación del modelo
Las mé icas de alidación se basan en lo que se conoce como ma iz de con usión, una he amien a
undamen al pa a analiza el endimien o de un modelo de clasi icación. Pa a en ende la co ec amen e, es
impo an e conoce p ime o qué se en iende po clase posi i a y clase nega i a. [19][20]
• Clase posi i a: es el esul ado que nos in e esa de ec a . Po ejemplo, si es amos in en ando p edeci
si hay una al a p obabilidad de inundación, di emos que "inundación" es la clase posi i a.
• Clase nega i a: es el esul ado con a io, es deci , el que indica que no ocu e lo que es amos
buscando. Siguiendo el mismo ejemplo, "no hay inundación" se ía la clase nega i a.
A pa i de es o, los modelos de clasi icación pueden ace a o equi oca se al hace sus p edicciones. La ma iz
de con usión esume esas posibles combinaciones:
• TP (T ue Posi i e – Ve dade o Posi i o): el modelo p edice que hab á inundación (clase posi i a),
y e ec i amen e sí la hay. Es un acie o.
• FP (False Posi i e – Falso Posi i o): el modelo p edice que hab á inundación, pe o en ealidad no la
hay.
• TN (T ue Nega i e – Ve dade o Nega i o): el modelo p edice que no hab á inundación (clase
nega i a), y e ec i amen e no la hay. Es o o acie o.
• FN (False Nega i e – Falso Nega i o): el modelo p edice que no hab á inundación, pe o en ealidad
P edicción de la p obabilidad de inundaciones u ilizando écnicas de in eligencia a i icial
19
sí la hay. Es un e o más g a e po que el sis ema no de ec a un caso que debe ía habe iden i icado.
Figu a 3-9. Ma iz de con usión. [19]
En unción de es os pa áme os podemos conclui 5 mé icas de alidación: Accu acy o Exac i ud, P ecisión,
Recall o sensibilidad, F1-sco e y especi icidad.
• Accu acy: Mide la p opo ción de acie os gene ales. Una baja accu acy implica que el modelo iene
muchos allos.
• P ecisión: Mide la p ecisión de los elemen os posi i os. Si la p ecisión es baja clasi ica casos mal, es
deci , p edice cosas que no son.
• Recall: Mide cuan os posi i os eales se de ec a on. Un bajo ecall implica que no de ec a bien los
Posi i os eales escapándosele muchos casos en la de ección.
• Speci i y: Mide cuan os nega i os eales exis en. Si la Speci i y es baja con unde nega i os con
posi i os dando así muchos alsos posi i os.
• F1-Sco e: Es una combinación en e p ecisión y Recall
Po o o lado, ambién podemos de ini una mé ica, que se u iliza á pa a la alidación de los
P edicción de la p obabilidad de inundaciones u ilizando écnicas de in eligencia a i icial
20
algo i mos que es R²,
El R² cuan i ica la p opo ción de la a ianza en la a iable dependien e (la que es ás in en ando p edeci ) que
puede se explicada po las a iables independien es (las ca ac e ís icas o ea u es que usa u modelo). En o as
palab as, nos dice cuán o de la a iación en los da os eales es cap u ada po el modelo. [29]
El R² ípicamen e a ía en e 0 y 1
• R²=1 (o 100%): Indica un ajus e pe ec o del modelo a los da os. Es o signi ica que odas las
a iaciones en la a iable dependien e son comple amen e explicadas po el modelo. En la p ác ica, un
R² de 1 es ex emadamen e a o y a menudo sugie e un sob eajus e (o e i ing) o un e o en el
modelo si se da en da os eales.
• R²=0 (o 0%): Implica que el modelo no explica ninguna de la a ianza en la a iable dependien e
al ededo de su media. En es e caso, el modelo no es mejo que simplemen e p edeci la media de los
da os obse ados.
3.2.4. Op imización de hipe pa áme os
Los hipe pa áme os son unos pa áme os p ede inidos po el usua io an es de empeza el en enamien o y son
ijos du an e oda la ejecución. A lo la go de la memo ia e emos ejemplos de hipe pa áme os usados en
di e en es ipos de algo i mos.
Lo que se in en a con es os es busca el alo óp imo pa a consegui la mayo e iciencia del modelo,
modi icándolos después de cada ejecución iendo que alo es el más idóneo. Es a se ía una o ma manual de
hace lo, pe o exis en algunos o os mé odos au omá icos pa a op imiza los siendo es as G id Sea ch la cual
e alúa odos los alo es posibles y elige el óp imo.
Po o o lado, es a Random Sea ch que es menos op imo que el an e io po que solo p ueba una can idad
limi ada de alo es de los hipe pa áme os.
3.2.5. Selección de ca ac e ís icas
Los mé odos w appe e alúan di e en es subconjun os de ca ac e ís icas u ilizando un modelo p edic i o
especí ico. Es os mé odos son compu acionalmen e in ensi os, pe o pueden o ece un endimien o supe io al
selecciona ca ac e ís icas ele an es pa a un modelo pa icula . [21]
1. Selección Hacia Adelan e (Fo wa d Selec ion)
• Inicio: Comienza con un conjun o acío de ca ac e ís icas.
• P oceso: I e a i amen e, se añade la ca ac e ís ica que mejo a más el endimien o del modelo.
• E aluación: Se u iliza alidación c uzada pa a medi la p ecisión del modelo con el nue o conjun o
de ca ac e ís icas.
• C i e io de Pa ada: Se de iene cuando se alcanza un núme o p ede inido de ca ac e ís icas o no hay
P edicción de la p obabilidad de inundaciones u ilizando écnicas de in eligencia a i icial
21
mejo a signi ica i a en el endimien o.
2. Eliminación Hacia A ás (Backwa d Elimina ion)
• Inicio: Comienza con odas las ca ac e ís icas disponibles.
• P oceso: I e a i amen e, se elimina la ca ac e ís ica cuya ausencia mejo a más el endimien o del
modelo
• E aluación: Simila a la selección hacia adelan e, se u iliza alidación c uzada pa a medi la
p ecisión del modelo as la eliminación de cada ca ac e ís ica.
• C i e io de Pa ada: Se de iene cuando la eliminación de cualquie ca ac e ís ica adicional no mejo a
el endimien o del modelo.
3. Búsqueda Exhaus i a (Exhaus i e Sea ch)
• P oceso: E alúa odas las combinaciones posibles de ca ac e ís icas pa a encon a el subconjun o que
p opo ciona el mejo endimien o del modelo.
• Conside aciones: Es e mé odo ga an iza encon a el mejo subconjun o, pe o es
compu acionalmen e p ohibi i o pa a conjun os de da os con muchas ca ac e ís icas.
P edicción de la p obabilidad de inundaciones u ilizando écnicas de in eligencia a i icial
22
4 APRENDIZAJE PROFUNDO O DEEP LEARNING
El deep lea ning o ap endizaje p o undo es una de las écnicas usadas en machine lea ning. Como bien
comen ábamos an e io men e, hablando an o de que es el Deep lea ning como de écnicas de clasi icación y
eg esión en es e capí ulo amos a aba ca las Redes Neu onales las cuales i emos desa ollando a lo la go de
odo el capí ulo cen ándonos en que son, sus p incipales ca ac e ís icas, pa a que se usan o sus ipos en e
o as cosas.
4.1. Redes Neu onales
Las Redes Neu onales o Redes Neu onales A i iciales son un modelo de compu ación inspi ado en los
p ocesos biológicos del se humano pa a p ocesa in o mación. Es el p incipal modelo de Deep Lea ning y se
undamen an en el pe cep ón la unidad básica de una ed neu onal.
El modelo es ánda es a ía o mado po un conjun o de en adas Xi eniendo cada una asignada un peso
sináp ico Wij, una egla de p opagación Hi, de inida a pa i de los pesos y en adas y una unción de
ac i ación F, la cual ep esen a la salida en unción de su es ado de ac i ación. [22]
Figu a 4-1. Es uc u as de edes neu onales. [22]
4.1.1 Pe cep on. RNA
El pe cep ón es la unidad básica den o una neu ona a i icial. Es á cons i uido po un conjun o de en adas,
eniendo cada una de es as un peso, el cual indica á la in ensidad de la sinapsis, es deci , la elación en e dos
neu onas. [23]
Es e a su ez es un modelo unidi eccional o mado po dos capas p incipales, capa de salida y capa de en ada.
En su o ma más simple (pe cep ón simple), el modelo es á compues o po una capa de en ada, que en ega
los da os sin p ocesamien o, y una capa de salida que ealiza un cálculo lineal con los pesos y aplica una
unción de ac i ación. No exis en capas ocul as en es e ipo de ed.
Es e modelo es adecuado solo pa a p oblemas que son linealmen e sepa ables, ya que su capacidad de
ep esen ación es limi ada.
Po o o lado, las edes neu onales ienen algunos concep os básicos como:
P edicción de la p obabilidad de inundaciones u ilizando écnicas de in eligencia a i icial
23
- Capa: Conjun o de neu onas a i iciales (o pe cep ones)
- Peso: Es la in ensidad de la sinapsis, es deci , el g ado de ue za que exis e en e neu onas de
di e en es capas. Es e alo puede se un núme o posi i o, nega i o o nulo y se a modi icando de
o ma au omá ica du an e la ase de ap endizaje de la ed.
- Regla de p opagación: Halla el alo po encial en base a las en adas y el peso de es as pa a
inalmen e se usado con la unción de ac i ación y ob ene la salida. [22]
- Función de ac i ación: Ob iene la salida de la neu ona a i icial a pa i del po encial calculado,
mapeando así los da os den o de un ango (-1,1)
Figu a 4-2. Modelo de una neu ona a i icial. [37]
En esumen, su uncionamien o se basa en un clasi icado bina io, di idiendo el p oblema en dos ca ego ías
siendo las salidas 0 o 1. La ó mula que usa es la siguien e:
Esa salida depende de qué an impo an es sean las ca ac e ís icas (en adas) y qué peso enga cada una. Lo
que hace el pe cep ón al inal es aza una especie de línea (en ealidad, un hipe plano si hay muchas
a iables) que sepa a una clase de o a.
Exis e una g an limi ación a la ho a de es os algo i mos ya que solo son capaces de ep esen a unciones
linealmen e sepa ables
4.1.2 RNM
Las edes neu onales mul icapa son edes neu onales diseñadas pa a esol e p oblemas donde los da os no
pueden sepa a se de o ma lineal.
Es e ipo de edes es á compues o po una capa de en ada, una o a ias ocul as y una de salida es ando odas
conec adas a los nodos de la siguien e capa. [21][23]
Todas las capas excep uando la de salida ienen un nodo sesgo que su p incipal unción es desplaza la unción
P edicción de la p obabilidad de inundaciones u ilizando écnicas de in eligencia a i icial
30
Fac o
Desc ipción/Impac o
De o es ación
Pé dida de cobe u a ege al que al e a la e ención de agua y la
es abilidad del suelo.
U banización
Expansión u bana que aumen a la impe meabilización del suelo y
el iesgo de inundaciones.
Cambio climá ico
Inc emen o de enómenos climá icos ex emos debido a
al e aciones globales del clima.
Calidad de p esas
Condición es uc u al y uncional de las p esas pa a e ene y
maneja agua.
Sedimen ación
Acumulación de sedimen os en cue pos de agua que educe su
capacidad.
P ác icas de ag icul u a
Mé odos ag ícolas que pueden a ec a la e osión del suelo y la
calidad del agua.
In asiones
Ocupación no plani icada de ie as p opensas a desas es.
Ine icaz p epa ación con a
desas es
Fal a de sis emas adecuados pa a mi iga el impac o de e en os
ex emos.
Sis emas de d enaje
In aes uc u a pa a el manejo de aguas plu iales y esiduales.
Vulne abilidad cos e a
Suscep ibilidad de zonas cos e as a inundaciones y aumen o del
ni el del ma .
F on e as
Con lic os o ba e as adminis a i as que a ec an la ges ión de
ecu sos compa idos.
Cuencas hid og á icas
Á eas geog á icas que d enan agua hacia un ío o cue po de agua
común.
De e io o de in aes uc u as
Deg adación de es uc u as esenciales como puen es, diques y
sis emas de anspo e.
Pun uación de la población
Concen ación y ulne abilidad de la población en á eas p opensas
a desas es.
Pé dida de humedales
Desapa ición de zonas na u ales que ac úan como amo iguado es
con a inundaciones.
P edicción de la p obabilidad de inundaciones u ilizando écnicas de in eligencia a i icial
31
Fac o
Desc ipción/Impac o
Planes inadecuados
Es a egias insu icien es o mal diseñadas pa a la plani icación
e i o ial y de iesgos.
Fac o es polí icos
Decisiones polí icas y gobe nanza que a ec an la p epa ación y
mi igación de iesgos.
Tabla 5-1. Va iables independien es del da ase y su desc ipción.
5.1.1 EDAs. Análisis Explo a o io de los Da os
En es e apa ado se lle a á a cabo el análisis explo a o io de los da os o EDAs, que ayuda en ende y e la
es uc u a, elaciones y pa ones que ep esen a el da ase .
G acias a es o se puede conoce su dis ibución, alo es nulos, elaciones en e a iables…
En p ime luga , cabe des aca que odos es os algo i mos han usado el mismo EDAs po lo que se ecoge án
las ca ac e ís icas p incipales de o ma común. [27]
Las a iables al se ca egó icas ienen un alo pa a cada una de las e ique as a iando es e desde 1 a 20
ep esen ando cuan o a ec a esa a iable a que se p oduzca una inundación en ese si io en conc e o.
Aquí se mues a un ejemplo de cómo se ep esen an:
Figu a 5-1. Rep esen ación de a iables ca egó icas en el da ase
El da ase cuen a con más de 1 millón de mues as, po lo que lo p ime o que ha emos pa a mejo a el cos e
P edicción de la p obabilidad de inundaciones u ilizando écnicas de in eligencia a i icial
32
compu acional de odos los algo i mos es di idi el da ase dando 50 mil mues as al en enamien o y 10 mil al
es eo.
Los p ime os análisis explo a o ios ep esen an si el elemen o es nulo, cuan as mues as hay y el ipo de da o
siendo odos in 64 y loa 64 la p obabilidad de inundación que oma alo es en e 0-1.
En segundo luga , se iene una se ie de ca ac e ís icas que de inen a las a iables, como pueden se la media, la
mediana, los cua iles, la des iación…
Cosas que caben des aca son los alo es de los cua iles que di iden el conjun o de da os en 4 pa es iguales
ep esen ando el 25%, 50% (o mediana), 75% y 100% de los da os que pe mi en conoce la dispe sión y
dis ibución de cada una de las a iables.
G acias a la di e encia en e el 1e y 3e cua il se pueden e los alo es denominados ou lie s los cuales
ep esen an una des iación de la endencia gene al de los da os pudiendo se e o es o alo es ealmen e
excepcionales.
La media y la mediana son p ác icamen e el mismo alo , en es e caso la media igual a 5 y la mediana en o no
a 4.9 implicando que la dis ibución de las a iables es ap oximadamen e simé ica y no p esen a ningún
sesgo, es deci , no es án desplazadas del o igen hacia izquie da o de echa.
Se puede comp oba es o ep esen ando los his og amas de es as a con inuación.
Figu a 5-2. Ca ac e ís icas de alguno de las a iables del da ase .
Como se comen a an e io men e, se puede comp oba p incipalmen e que los conjun os de da os o “bins”
es án cen ados, es deci , no se p esen an alo es ou lie s o sesgos signi ica i os.
En el eje X, se ep esen an los in e alos que oman cada una de las a iables que a ía en e 0-15.
Es os alo es no son can idades cuali a i as sino alo es que ep esen an un ni el de iesgo o impac o, un alo
de 0 pod ía indica "ningún iesgo" o "impac o muy bajo", mien as que un alo de 15 indica ía " iesgo muy
al o" o "impac o se e o". La escala de 0 a 15 pe mi e una g anula idad de 16 ni eles dis in os pa a clasi ica el
ni el de cada ac o .
P edicción de la p obabilidad de inundaciones u ilizando écnicas de in eligencia a i icial
33
No hay ninguna e e encia en el da ase de kaggle con el que se pueda llega a una conclusión de po que se
asignan esos alo es en esos e i o ios.
Se puede conclui con que lo han lle ado a cabo expe os de la ma e ia, dando así un alo cohe en e a cada
una de las ca ac e ís icas en la zona en conc e o.
En el eje Y se ep esen a la ecuencia, siendo es a la can idad de obse aciones que en an en cada uno de los
alo es de cada in e alo.
Se puede obse a que la g an mayo ía de las mues as se encuen an en o no a la media y mediana que es en
o no a 5.
A con inuación, se mos a án los his og amas de cada una de las a iables del da ase .
Figu a 5-3. His og amas de las a iables del da ase .
Po úl imo, se mos a á la ep esen ación de la co elación c uzada en e las a iables. Es o mues a la ue za y
di ección lineal en e las a iables lineales 1 a 1, es ando su alo en e (-1,1). Hay 3 casos ep esen a i os:
- +1: co elación posi i a pe ec a (cuando una a iable sube, la o a ambién sube
p opo cionalmen e).
P edicción de la p obabilidad de inundaciones u ilizando écnicas de in eligencia a i icial
34
- 0: sin co elación lineal (no hay elación lineal cla a en e ambas)
- -1: co elación nega i a pe ec a (cuando una a iable sube, la o a baja p opo cionalmen e).
G acias a es os alo es se puede p edeci qué elación exis e en e las a iables iendo que las a iables
independien es ienen una co elación p ác icamen e nula y solo p esen an co elación con la a iable
dependien e FloodP obabili y.
Con es e da o se puede saca que a iables son las más ep esen a i as a la ho a de se usadas en el análisis,
además se obse a que no hay mul icolinealidad ya que las a iables no p esen an dependencias en e sí,
siendo es o posi i o.
Figu a 5-4. Co elación en e a iables del da ase .
La mul icolinealidad en un da ase ocu e cuando dos o más a iables independien es es án al amen e
co elacionadas en e sí. Es o signi ica que una a iable puede se casi linealmen e p edicha a pa i de las
o as, gene ando edundancia en la in o mación. [28]
P edicción de la p obabilidad de inundaciones u ilizando écnicas de in eligencia a i icial
35
Las a iables mues an solo una pequeña di e encia en la co elación, siendo un 1% más que el es o de las
a iables cosa que no concluye en nada, po lo que no se puede usa es a mé ica pa a la elección de las
a iables con más peso.
Si uese más no able, en un análisis p edic i o o de eg esión, es o sugie e que dicha a iable independien e
puede se un buen p edic o o explicado de la a iable dependien e. Cuan o más al a (en alo absolu o) sea la
co elación, mayo es la capacidad po encial de esa a iable pa a in lui o explica las a iaciones en la
a iable dependien e.
Pa a conclui , an es de en a en cada uno de los algo i mos usados, ha sido aplicado el mé odo RFE pa a
ob ene las 9 a iables más signi ica i as y e si coinciden con las ob enidas en la co elación c uzada.
El mé odo RFE (Recu si e Fea u es Elimina ion) consis e en clasi ica odas las ca ac e ís icas según su
impo ancia, haciéndose i e aciones epe i i as y eliminando las menos ele an es pa a el modelo, dejando así
un el núme o de ca ac e ís icas más ele an es que conside emos.
En nues o caso deja emos las 9 más ele an es al igual que en la co elación, ob eniendo así es os esul ados:
De o es a ion, Ag icul u al P ac ices, Enc oachmen s, Ine ec i e Disas e P epa edness, D ainage Sys ems
Coas al Vulne abili y, Landslides, Popula ion Sco e, Wel and Loss.
Aho a se e á cómo a ec a á educi el núme o de a iables al análisis p edic i o si es o mejo a o no el
endimien o. (1)
En odos los algo i mos se ealiza án 2 p uebas, la p ime a de ellas usando las 20 a iables iniciales y la
segunda usando solo las 9 calculadas con RFE pa a compa a si es e ec i o o no y que p edicción es más
e ec i a.
5.2. Algo i mo KNN
Como bien hemos explicado en capí ulos an e io es, el modelo KNN ambién conocido en español como K
Vecinos más Ce canos, es un algo i mo que se u iliza en modelos supe isados an o pa a p oblemas de
eg esión como de clasi icación. [14]
Es e algo i mo se basa en busca un núme o de pun os K, siendo es os los pun os más ce canos den o de una
dis ancia aco ada. A es os pun os se les conoce como “ ecinos más ce canos”, midiéndose la dis ancia en e el
alo a p edeci y es os con el modelo euclidiano.
Una ca ac e ís ica de es e modelo es que no iene ase de en enamien o, solo se almacenan los da os con sus
espec i as e ique as, haciéndolo mucho más simple que el es o de los algo i mos que se usa án.
Lo más impo an e en es e modelo es encon a la K ya que si es demasiado pequeño el modelo iende a sob e
ajus a se y si K es demasiado g ande iende a gene aliza se, pe diendo la capacidad de encon a pa ones más
pequeños y especí icos.
En es e algo i mo u iliza emos mé icas de e aluación como R² sco e, Mean Squa ed E o (MSE) y Mean
Absolu e E o (MAE) pa a e alua su endimien o.
Aho a se p ocede á a explica se el uncionamien o de nues o algo i mo:
P edicción de la p obabilidad de inundaciones u ilizando écnicas de in eligencia a i icial
36
En p ime luga , lo que se hace es busca el alo óp imo de K pa a así pode ob ene el mayo endimien o y
los alo es óp imos de las mé icas usadas, u ilizando pa a ello un ango en e (1,21) que se eco e á den o de
un bucle, dando como esul ado el alo óp imo.
Figu a 5-5. Rendimien o del modelo s K.
Se puede obse a en es e g a ico como aumen ando el alo de K aumen a p opo cionalmen e el alo de la
mé ica R² sco e, que es la mé ica p incipal de e aluación del modelo, las o as son complemen a ias.
Se puede obse a a pa i de k=13 el cambio en R²_sco e es poco no able po lo que se puede p egun a po
qué no elegi k=13 en e a k=20, el caso es sabe lo que se busca si una gene alización o un de alle más local.
En es e caso se busca un modelo más gene alizado y es able po lo que mi k=20 se ía óp imo apo ando
p edicciones más sua es y menos sensibles a uido po que conside a más ecinos en la p edicción.
También mejo a en e a ou lie s, que son pun os “ ue a de lo común”, eniendo es os menos pesos en un
conjun o de 20 ecinos que en uno de 13.
Po o o lado, si se busca el de alle local es mejo usa k=13 pudiéndose cap u a cambios ápidamen e.
En onces con nues a elección de K se ob iene:
- Mejo k encon ado: 20
- R²: 0.62456
- MSE: 0.00095
- MAE: 0.02538
Una R² del 62.5% implica que ese an o po cien o es cap u ado po nues o modelo de eg esión aplicado, es
P edicción de la p obabilidad de inundaciones u ilizando écnicas de in eligencia a i icial
37
deci , se ajus an a la línea de eg esión que e emos a con inuación.
Figu a 5-6. Valo es eales s p edichos con línea de eg esión.
Como se puede obse a en la imagen, la g an mayo ía de los alo es se encuen an ecogidos po nues o
modelo de eg esión iéndose cla amen e una elación lineal posi i a.
Po o o lado, exis en dos zonas, en p ime luga , la zona de (0.35-0.45) y la zona de (+0.60) donde el modelo
no se ajus a bien a los alo es.
Po egla gene al el modelo ap ende de una o ma adecuada, pe o iene algunas limi aciones en las zonas de
los ex emos.
Como se comen aba an e io men e (1), u imos una elección de los alo es más ep esen a i os basados en
RFE, ob eniendo es as 9 a iables como las más in luyen es al modelo:
'Wa e sheds','Landslides','Coas alVulne abili y','Ag icul u alP ac ices','Enc oachmen s', 'Inadequa e
Planning', 'DamsQuali y', 'Sil a ion', 'U baniza ion'
Aho a se usa án es as 9 a iables y no las 20 a iables o ales pa a e si es e ec i o o no usa es as.
P edicción de la p obabilidad de inundaciones u ilizando écnicas de in eligencia a i icial
38
En es e caso se usa á la misma K=20 del análisis an e io ya que es la más adecuada, ob eniendo:
• Mean Squa ed E o : 0.00202
• R² Sco e: 0.23410
• Mean Absolu e E o : 0.03629
Figu a 5-7. Valo es eales s p edichos con línea de eg esión (KNN con 9 a iables).
Como se puede obse a , nues a R² solo cap a un 23% de los alo es en el modelo de eg esión, lo que da una
p edicción muy mala compa ada con la p ime a en la que se usan odos los alo es.
Además, an o las mé icas de MSE y MAE son mayo es no siendo iable el uso de solo las 9 ca ac e ís icas
más ep esen a i as en el modelo.
En el g á ico se puede obse a cómo no se sigue una endencia lineal en e la línea de eg esión y los alo es,
ya que la nube de pun os se encuen a p ác icamen e cen ada, dando a en ende que nues o modelo solo se
adap a a una muy pequeña pa e de las mues as.
En conclusión, no es iable el uso de es a écnica.
Pa a inaliza se mos a án dos g á icos ep esen a i os, el p ime o es la dis ibución de e o es en e eales y
p edichos y el segundo el e o absolu o s el alo eal
P edicción de la p obabilidad de inundaciones u ilizando écnicas de in eligencia a i icial
39
Figu a 5-8. Dis ibución de e o es p edichos s eales.
En es e his og ama se puede e la di e encia en e la p edicción y el alo eal, siendo los alo es ce canos a 0
p edicciones ace adas. Po o o lado, los alo es nega i os ep esen an subes imación y alo es posi i os
sob es imación.
El his og ama se encuen a cen ado y no p esen a ningún sesgo p onunciado po lo que se puede desca a
sob es imación y subes imación, además emos que la mayo ía de los e o es es án en e -0.05 y 0.05 que
siendo nues a escala de da os en e 0.3-0.7 (obse able en la nube de pun os de las imágenes an e io es) es
algo lógico.
Es e úl imo g a ico mues a en que angos de alo es eales el modelo se equi oca en mayo o meno medida.
Podemos obse a un g á ico en o ma de U ob eniéndose más p ecisión en el cen o que en los ex emos, cosa
que ya sabíamos de g á icos an e io es donde las zonas ex emas no se p edecían an bien como el es o.
Es o es algo común en modelos KNN po el poco núme o de da os en los ex emos del ango.
En conclusión, el g á ico p edice bien en p omedio, pe o con pequeños e o es en las zonas ex ema.
P edicción de la p obabilidad de inundaciones u ilizando écnicas de in eligencia a i icial
46
ap endizaje, pe o más obus o.
- Es ima o _max_dep h: p o undidad máxima del modelo base, en es e caso Decision T ees.
En es e caso al ene mayo cos e compu acional se desca a el uso de G idSea chCV po el iempo de
ejecución, usando en onces RandomizedSea chCV.[31]
Es a unción ac úa igual que la p ime a, pe o p ueba un núme o ijo de combinaciones alea o ias de los
hipe pa áme os. No ga an iza encon a el óp imo global, pe o si mejo a no ablemen e la e iciencia.
En es e caso se lle a án a cabo 10 i e aciones alea o ias a p oba y los hipe pa áme os se encon a án
en e los in e alos de:
1. 'n_es ima o s': andin (100, 400),
2. 'lea ning_ a e': uni o m (0.05, 0.5)
3. 'es ima o __max_dep h': andin (2, 6)
Gene an núme os eales alea o ios siendo andin en e os y uni o m eales.
Con es o se ob ienen los siguien es alo es:
- Mejo es hipe pa áme os: {'es ima o __max_dep h': 4, 'lea ning_ a e': 0.4482714934301164,
'n_es ima o s': 370}
- R²: 0.6505237646142535
- MSE: 0.0009090512616059208
- MAE: 0.024475167323773982
Como se puede obse a , R² del 65% siendo es e un esul ado bas an e bueno en compa ación con el es o de
los algo i mos usados, y unos e o es de MSE y MAE más bajos que el es o de los algo i mos po lo que se
puede deci que el modelo ealiza una buena p edicción.
Po o o lado, se un R² del 66% con los da os de en enamien o, es deci , un da o muy pa ejo a lo eal, lo que
ep esen a que nues o modelo di ie e muy poco con el en enamien o.
Como podemos obse a en la imagen g an pa e de la mues a es ecogida po la línea ideal ( oja) pe o la
zona de los ex emos queda ue a. Se puede ap ecia una endencia lineal con un le e desajus e ya que la
p edicción no es del odo exac a (65%) pe o siendo es a endencia bas an e ac ible con la ideal.
La zona donde se di ie e más es en las zonas habi uales, la zona de los ex emos, siendo (0.35-0.45) y (+0.60)
donde el modelo no se ajus a bien a los alo es.
Po egla gene al el modelo ap ende de una o ma adecuada, pe o iene algunas limi aciones en las zonas de
los ex emos.
P edicción de la p obabilidad de inundaciones u ilizando écnicas de in eligencia a i icial
47
Figu a 5-14. P edicción eal s alo eal.
En es e caso se usan los mismos alo es pa a los hipe pa áme os calculados en el p ime apa ado, ob eniendo
así es os esul ados: ('es ima o __max_dep h': 4, 'lea ning_ a e': 0.4482714934301164, 'n_es ima o s': 370):
• R²: 0.28980
• MSE: 0.00185
• MAE: 0.03483
Se puede obse a de p ime as que nues a R² solo cap a un 29% de los alo es en el modelo de eg esión, lo
que da una p edicción muy mala compa ada con la p ime a en la que usamos odos los alo es.
Además, an o MSE como MAE son mayo es po lo que no es iable usa solo las 9 ca ac e ís icas más
ep esen a i as en el modelo.
P edicción de la p obabilidad de inundaciones u ilizando écnicas de in eligencia a i icial
48
Figu a 5-15. P edicción s eal (con 9 ca ac e ís icas más impo an es).
En el g á ico, se puede obse a cómo no se sigue una endencia lineal en e la línea de eg esión y los alo es,
sino que siguen una endencia simila pe o muy alejada de la ideal y de la p edicción calculada con odas las
ca ac e ís icas.
En conclusión, no es iable usa solo 9.
Aho a se mos a án como an e io men e, dos g á icos ep esen a i os, el p ime o de ellos sob e la dis ibución
de e o es en e eales y p edichos y el segundo sob e el e o absolu o s el alo eal
Figu a 5-16. Dis ibución de e o es p edichos s eales.
P edicción de la p obabilidad de inundaciones u ilizando écnicas de in eligencia a i icial
49
En el his og ama se obse a que las mues as es án mucho más cen adas en 0 que en el es o de los
algo i mos, es o se debe a la simili ud de los esul ados en e las mé icas del en enamien o y el es .
No se encuen a p ác icamen e subes imación ni sob es imación, no p esen ándose ningún sesgo p onunciado
y siendo los e o es aba cados meno es que en el es o de los algo i mos es ando aco ados en e [-0.03,0] y de
[0, -0.03]
Figu a 5-17. E o absolu o s eal.
En es e g á ico se obse a que el e o absolu o es peo , debido a que en la zona cen ada llega a alo es más
al os que el es o de los algo i mos.
La dispe sión de los alo es es meno es ando es os más concen ados en el cen o, con una U más dispe sa
eniendo los e o es espa cidos a lo la go de odos los alo es, no solo en las zonas ex emos.
Lo que se in uye es un mayo uido gene al.
5.4. Conclusiones gene ales. Compa a i a de los algo i mos
An es de hace una compa a i a de los algo i mos u ilizados, se lle a á a cabo una conclusión p e ia de la
endencia ob enida en las g á icas de alo es eales s alo es p edichos
Como se puede obse a en es as g á icas donde mues a la dispe sión de los alo es eales de p obabilidad de
inundación (pun os) s las p edicciones gene adas po el modelo (línea oja). [9]
La al a de una coincidencia en e la nube de pun os y la línea oja es un indicado de la p esencia de e o es
esiduales. Es os e o es son inhe en es a la modelización p edic i a, es deci , po la p opia na u aleza de
in en a modela enómenos complejos del mundo eal con da os impe ec os y modelos simpli icados,
P edicción de la p obabilidad de inundaciones u ilizando écnicas de in eligencia a i icial
50
siemp e hab á algún g ado de e o que pueden a ibui se a ac o es como la a iabilidad no cap u ada po las
a iables de en ada, el uido en los da os, o las limi aciones in ínsecas del modelo pa a cap u a la
complejidad comple a del enómeno [35]
Además, en cualquie a de los algo i mos, se iende a sob es ima en alo es bajos y subes ima en alo es al os
p o ocando un sesgo po comp esión hacia la media, común en es e ipo de algo i mos ya que no ex apolan
bien, endiendo a come e e o es en las zonas ex emas.
La solución iable pa a mejo a es o se ía el uso de algo i mos de boos ing más complejos con lo que se
ob ienen alo es en las mé icas mucho mejo es y se co egi ía la des iación de la pendien e.
Es os algo i mos se comen an en el siguien e capí ulo.
La magni ud de es as des iaciones se cuan i ica median e mé icas de e o como el MSE, y el R-cuad ado nos
indica la p opo ción de la a ianza o al explicada po el modelo.
Además,
Aho a se p ocede á a la compa a i a en e los esul ados ob enidos con los di e en es algo i mos.
Si u ié amos que hace una isión global de odos los esul ados ob enidos en los algo i mos y deci cuál de
ellos ha sido el mejo ¿Cuál se ía?
Pa a saca una conclusión de los di e en es algo i mos end emos en cuen a 3 es ánda es:
1. Tiempo de ejecución
2. Complejidad
3. Rendimien o (Mé icas)
Algo i mo
R² Sco e
Tiempo de ejecución
Complejidad
KNN
0.6245
52s
Baja
Random Fo es
0.5711
2min 35s
Media
AdaBoos
0.65052
3min 25s
Al a
Tabla 5-3. Resul ados de las di e en es pa amé icas de los algo i mos
- En cuan o a KNN:
En p ime luga , el iempo de ejecución del código comple o es de 52 segundos un iempo bas an e bajo en
compa ación con el es o de los algo i mos cosa que suma un pun o posi i o pa a es e.
En segundo luga , la complejidad del algo i mo es bas an e simple ya que no iene pa e de en enamien o y la
búsqueda del pa áme o K se hace eco iendo un bucle o po lo que no iene mucha complejidad en cuan o a
p og amación ni concep os.
En e ce luga , el endimien o ob enido inalmen e ha sido de 62.5%, no siendo el mejo alo posible, pe o si
es ando po encima del 50%. G acias en su baja complejidad y iempo de ejecución es e algo i mo ob iene una
muy buena pun uación.
P edicción de la p obabilidad de inundaciones u ilizando écnicas de in eligencia a i icial
51
- En cuan o a Random Fo es :
En p ime luga , el iempo de ejecución del código comple o es de 2 minu os y 35 segundos un iempo
ela i amen e bajo eniendo en cuen a que hemos usado la unción G idSea chCV que a da bas an e en e a
o as ya que el iempo de ejecución es lógico.
En segundo luga , la complejidad del algo i mo iene un pun o de complejidad no dejando de se un algo i mo
simple ya que usa an os mecanismos de op imización de hipe pa ame os y conjun o de Decision T ees cosa
que hace que sea más di ícil que es e.
En e ce luga , el endimien o ob enido inalmen e ha sido de 57% no hemos ob enido un endimien o an
bueno en compa ación con su complejidad y iempo de ejecución ya que con o os algo i mos hemos
conseguido esul ados mejo es. No deja de se una p ueba didác ica en base al conocimien o de di e sos
algo i mos de Machine Lea ning y es e e a uno de los más amosos.
No se ía el algo i mo que se usa ía en es e caso.
- En cuan o a AdaBoos ,:
En p ime luga , el iempo de ejecución del código comple o es de 3 minu os y 25 segundos un iempo ya un
poco más no able ya que el algo i mo a da más en p ocesa lo, incluso usando una unción de Randomized y
no G idSea ch el iempo sigue siendo bas an e ele ado.
En segundo luga , la complejidad del algo i mo iene un pun o de complejidad no dejando de se un algo i mo
simple den o de lo que iene siendo boos ing aunque en compa ación con el es o de los algo i mos usados si
es más complejo ya que usa an os mecanismos de op imización de hipe pa ame os y conjun o de Decision
T ees cosa que hace que sea más di ícil que es e.
En e ce luga , el endimien o ob enido inalmen e ha sido de 65%, hemos ob enido un buen endimien o en
base al es y en compa ación con el endimien o ob enido en el en enamien o. Si que es e dad que si
usá amos una op imización más p ecisa de los hipe pa ame os pod íamos consegui un esul ado mejo , pe o
se e ía a ec ado di ec amen e al iempo de ejecución cosa que no que emos que suba más.
En é minos gene ales eniendo en cuen a odos los pa áme os, el algo i mo de KNN, a pesa de se el más
simple es el mejo en es e caso, ya que incluso si solo se alo a an las mé icas segui ía es ando muy pa ejo
con el algo i mo de Adaboos , siendo es e mucho más complejo en su uso.
Po lo que inalmen e, el algo i mo ganado pa a la esolución de es e p oblema se ía KNN.
P edicción de la p obabilidad de inundaciones u ilizando écnicas de in eligencia a i icial
52
6 CONCLUSIONES Y LÍNEAS FUTURAS
6.1. Conclusiones.
Es e T abajo Fin de G ado (TFG) ha abo dado el desa ío de la p edicción de la p obabilidad de inundaciones
median e la aplicación de di e sas écnicas de in eligencia a i icial, especí icamen e den o del campo del
Machine Lea ning. El obje i o p incipal ha sido desa olla y e alua modelos p edic i os capaces de es ima
con an elación el iesgo de e en os de inundación, lo que ep esen a un paso undamen al en la mejo a de los
sis emas de ale a emp ana y la ges ión de iesgos en á eas ulne ables.
La me odología seguida ha pues o un ue e en oque en p epa a y analiza los da os de o ma cuidadosa.
Desde el análisis explo a o io (EDA), que ayudó a en ende bien las a iables y sus elaciones, has a el
a amien o de la mul icolinealidad y el p ep ocesamien o, cada paso ue cla e pa a ga an iza la calidad y
con iabilidad de los da os usados po el modelo. También ue undamen al di idi co ec amen e los da os y
ajus a los hipe pa áme os con écnicas como G idSea chCV y RandomizedSea chCV, lo que pe mi ió
mejo a el endimien o de los algo i mos y educi el iesgo de sob eajus e.
En cuan o a los algo i mos de Machine Lea ning e aluados (K-Nea es Neighbo s, Random Fo es y
AdaBoos ), cada uno ha demos ado capacidades dis in as pa a abo da el p oblema de p edicción.
El modelo de Random Fo es mues a una no able obus ez y capacidad pa a maneja la complejidad de los
da os, en egando buenos esul ados. Su na u aleza basada en ensambles de á boles de decisión le pe mi e
cap u a elaciones no lineales y educi la a ianza, lo que esul ó bene icioso en es e con ex o.
AdaBoos , po su pa e, mos ó el po encial de las écnicas de boos ing al cons ui un modelo ue e a pa i de
componen es débiles, aunque su endimien o pudo se más sensible a las pa icula idades del conjun o de
da os.
KNN, si bien ú il como línea base, mos ó las limi aciones de los mé odos basados en la dis ancia en en o nos
de al a dimensionalidad o con dis ibuciones de da os complejas.
A pesa de los esul ados posi i os ob enidos en é minos de mé icas como el MSE y el R-cuad ado es
undamen al econoce la exis encia de e o es esiduales en las p edicciones. La al a de una coincidencia
pe ec a en e los alo es eales y los alo es p edichos, isualizada en los g á icos de dispe sión, es un cla o
indicado de que los enómenos na u ales complejos, como las inundaciones, no pueden se cap u ados en su
o alidad po ningún modelo. Es os e o es se a ibuyen a ac o es como la a iabilidad no explicada po las
a iables de en ada, el uido en los da os, o las p opias limi aciones de los modelos simpli icados pa a eplica
los p oblemas del mundo eal
En conclusión, es e TFG ha demos ado que las écnicas de Machine Lea ning son he amien as aliosas y
aplicables pa a la p edicción de la p obabilidad de inundaciones, o eciendo una base sólida pa a u u os
desa ollos.
P edicción de la p obabilidad de inundaciones u ilizando écnicas de in eligencia a i icial
53
6.2. Líneas Fu u as de In es igación y p opues as de algo i mos.
Algunas p opues as de solución al p oblema que se lle an a cabo en kaggle y son las que mejo sco ing
consiguen son las de boos ing como XGBoos , Ligh GBM o Ca boos que son bas an e complejos pa a se
aba cados en es e abajo.[30]
XGBoos se p esen a como una po en e he amien a de machine lea ning, basada en á boles de
decisión y a inada pa a en ega una elocidad y e icacia muy al as. Se undamen e en el G adien
Boos ing, una écnica que le an a modelos de o ma escalonada, donde cada á bol en an e y pule los
allos del p e io. Des aca en labo es de eg esión, clasi icación y je a quización, esal ando po su
habilidad pa a mejo a con da ase s inmensos. Op imiza unciones obje i o-especí icas, como el e o
cuad á ico medio o la log-loss, y b inda un con ol minucioso sob e la egula ización, echando una
mano pa a esqui a el sob eajus e.[32]
Ligh GBM, po su lado, es o a pa a se ex emadamen e ápida en con ex os con g andes olúmenes
de da os. Emplea una ác ica undamen ada en his og amas pa a baja el cos e de compu acional y un
desa ollo de á boles "lea -wise", que apues a po secciona las amas más p ome edo as. Gas a
menos memo ia y es e icien e en el manejo de a iables ca egó icas. [33]
Ca Boos pone el oco en simpli ica la ges ión de a iables ca egó icas, ans o mándolas
au omá icamen e median e ucos es adís icos du an e el ap endizaje. U iliza un boos ing simé ico
que p io iza la es abilidad del modelo y educe el pelig o de sob eajus e. Se mues a ue e en
conjun os de da os desbalanceados y iene un buen endimien o sin ene que ajus a mucho los
hipe pa áme os.
A con inuación, se mos a á un cuad o esumen con la compa a i a en e los 4 algo i mos de boos ing
mencionados:
Ca ac e ís ica
XGBoos
Ligh GBM
Ca Boos
AdaBoos
Velocidad
Al a
Muy al a
Al a
Media
Escalabilidad
Excelen e
Excelen e
Buena
Limi ada
Manejo de
ca ego ías
Requie e
p ep ocesamien o
Codi icación
e icien e
Au omá ico
Requie e
p ep ocesamien o
Regula ización
A anzada
A anzada
Implíci a
Básica
Robus ez
Al a
Al a
Muy al a
Baja (sensible al uido)
Uso
ecomendado
Da os g andes y
complejos
Da os muy
g andes
Da os con muchas
ca ego ías
P oblemas simples,
poco uido
Tabla 6-1. Tabla compa a i a algo i mos boos ing. [34]
P edicción de la p obabilidad de inundaciones u ilizando écnicas de in eligencia a i icial
54
Con es e ipo de algo i mos se consiguen una mejo ía signi ica i a a la ho a de los esul ados, mejo ándose
ambién el p oblema obse ado con la pendien e en el es o de los algo i mos.
Es os son algunos ejemplos sacados de kaggle iéndose como mejo a signi ica i amen e el esul ado:
Figu a 6-1. P edicción de los alo es con el algo i mo XGBoos [38]
6.1.1 O as líneas u u as de in es igación.
Además de la explo ación de algo i mos de boos ing más complejos, como los mencionados en la sección
an e io , exis en di e sas ías de in es igación que pod ían en iquece y po encia los esul ados ob enidos en
es e T abajo Fin de G ado. Es as líneas se cen an en la mejo a de los da os, la aplicación de nue as
me odologías de ap endizaje y la in eg ación del modelo en con ex os ope a i os.
• 1. Recopilación y En iquecimien o de Da os: Una de las limi aciones inhe en es a cualquie modelo
p edic i o es la calidad y can idad de los da os disponibles. Po an o, una línea u u a cla e se ía la
in eg ación de nue as uen es de da os más g anula es o con mayo esolución empo al y espacial.
Es o pod ía inclui da os me eo ológicos más p ecisos, da os de senso es IoT en íos y cuencas,
imágenes sa eli ales (pa a análisis de cobe u a del suelo, humedad del suelo o incluso de ección
emp ana de desbo damien os) o in o mación opog á ica de allada. Un conjun o de da os más ico y
limpio pod ía pe mi i a los modelos cap u a pa ones más su iles y mejo a signi ica i amen e la
p ecisión p edic i a.
P edicción de la p obabilidad de inundaciones u ilizando écnicas de in eligencia a i icial
55
• 2. Técnicas A anzadas de Fea u e Enginee ing: El éxi o de un modelo de Machine Lea ning no
solo eside en el algo i mo, sino ambién en la calidad de las ca ac e ís icas de en ada. Aunque en es e
abajo se ha ealizado un p ep ocesamien o y selección de a iables, explo a écnicas de ea u e
enginee ing más a anzadas pod ía gene a nue as a iables p edic o as de mayo pode
disc imina i o. Es o pod ía inclui la c eación de ca ac e ís icas de in e acción en e a iables, la
de i ación de a iables empo ales ( endencias, medias mó iles, des iaciones es acionales) o la
aplicación de mé odos de educción de dimensionalidad no lineales pa a ex ae ep esen aciones más
signi ica i as de los da os exis en es. Es as ca ac e ís icas pod ían ayuda al modelo a en ende mejo
la dinámica de los enómenos de inundación.
• 3. Explo ación de Modelos de Deep Lea ning: Si bien el p esen e es udio se ha cen ado en
algo i mos de Machine Lea ning adicionales (KNN, Random Fo es , AdaBoos ) y se p opone el
es udio de o os ensembles (XGBoos , Ligh GBM, Ca Boos ), el Deep Lea ning o ece un as o
campo de explo ación. Pa icula men e, las Redes Neu onales Recu en es (RNN), como las LSTM
(Long Sho -Te m Memo y), se ían muy adecuadas pa a modela da os de se ies empo ales (como
los lujos de íos o p ecipi aciones a lo la go del iempo) que son inhe en emen e secuenciales. De
mane a simila , si se inco po asen da os espaciales (mapas opog á icos, imágenes sa eli ales), las
Redes Neu onales Con olucionales (CNN) pod ían ex ae ca ac e ís icas espaciales ele an es pa a
la p edicción de inundaciones. Aunque son modelos más complejos y con mayo es equisi os
compu acionales, su capacidad pa a ap ende ep esen aciones complejas di ec amen e de los da os
pod ía desbloquea un ni el supe io de p ecisión.
