TFG · Universidad Pablo de Olavide · Defendido el 25/09/2026
Clasificación probabilística a partir de
datos no deterministas
La clasificación supervisada clásica trata cada
etiqueta como una certeza absoluta, aunque en datos reales hay clases solapadas, ruido
de anotación y fronteras difusas. Mi TFG propone un método que incorpora esa
incertidumbre al entrenamiento de modelos basados en árboles de decisión, para obtener
probabilidades más fiables sin perder acierto.
Qué construí
- Método propio implementado desde cero en Python y NumPy, con
cálculo vectorizado y entrenamiento paralelo.
- Pipeline reproducible sin fuga de datos: todo el preprocesado se
ajusta solo con el entrenamiento de cada fold.
- Evaluación sobre 20 datasets UCI con validación cruzada
estratificada de 10 folds y 7 métricas de clasificación y calibración.
- Validación estadística formal con Wilcoxon pareado, Friedman y
post-hoc de Nemenyi.
Python
NumPy
pandas
scikit-learn
SciPy
joblib
Matplotlib
LaTeX
Resultado principal
Frente a un Random Forest clásico · 20
datasets UCI
−22 %
pérdida logarítmica (NLL): probabilidades
más fiables, con mejora estadísticamente significativa
=
accuracy equiparable: mejores
probabilidades sin perder acierto
Incorporar la incertidumbre de los datos
al entrenamiento no penaliza el acierto y produce probabilidades más fiables: clave
cuando la probabilidad condiciona una decisión, como en evaluación de riesgo,
priorización de casos o diagnóstico asistido.
Investigación en curso y en preparación para su publicación:
los detalles del método y los resultados completos se reservan para el
artículo.
