Mejorado Bosque Aleatorio Equilibrado (iBRF): Un marco híbrido flexible de remuestreo y bagging para la clasificación...

Área de la Ciencia:

• Aprendizaje automático
• Ciencia de datos
• Seguridad vial

Sus antecedentes:

• El desequilibrio de clases representa un desafío significativo para clasificar con precisión eventos raros pero críticos, como los resultados de accidentes graves.
• Las técnicas tradicionales de remuestreo pueden conducir a sobreajuste y pérdida de información, comprometiendo la confiabilidad del modelo.
• La clasificación precisa de los resultados de accidentes graves es crucial para intervenciones de seguridad efectivas.

Objetivo del estudio:

• Presentar el Bosque Aleatorio Equilibrado Mejorado (iBRF), un novedoso marco de conjunto diseñado para superar el desequilibrio de clases en la clasificación de resultados de accidentes graves.
• Desarrollar un modelo robusto que combine diversas técnicas de remuestreo con aprendizaje de conjunto para mejorar la precisión predictiva.

Principales métodos:

• El marco iBRF integra la preservación de la clase minoritaria con el submuestreo de la clase mayoritaria utilizando SMOTE, NCR y RUS.
• Se entrena un árbol de decisión con datos equilibrados en cada iteración, y las predicciones finales se generan mediante votación suave ponderada basada en G-mean.
• El rendimiento se evaluó utilizando G-mean y MCC en datos de retención, comparando iBRF con otros modelos de aprendizaje automático.

Principales resultados:

• iBRF demostró un rendimiento superior en comparación con varias técnicas de remuestreo (SMOTE, RUS, NCR, CTGANs) y métodos de conjunto de última generación (XGBoost, RF, LightGBM, etc.).
• El algoritmo iBRF mejoró significativamente la G-mean en un 9,30% con respecto a RF simple y en un 4,50% con respecto a SMOTE-RF.
• El modelo logró una mejor precisión de clasificación en conjuntos de datos desequilibrados basándose en métricas equilibradas.

Conclusiones:

• El algoritmo iBRF mejora eficazmente el rendimiento de la clasificación para conjuntos de datos desequilibrados, particularmente para identificar resultados de accidentes graves.
• El marco ayuda a identificar factores de riesgo críticos asociados con la clase minoritaria (accidentes graves).
• iBRF ofrece un enfoque prometedor para mejorar el análisis de la seguridad vial y las estrategias de intervención.