Análisis de los métodos de clasificación en ML

Abstract

Este Trabajo de Fin de Grado analiza y compara seis métodos de clasificación en Machine Learning, entre los que se encuentran los Árboles de Decisión, Random Forest, Support Vector Machines (SVM), Redes Neuronales Multicapa (MLP), Regresión Logística y Kolmogorov-Arnold Networks (KAN). Dichas técnicas se aplican a dos conjuntos de datos reales de diferentes dimensiones y características para evaluar aspectos como la precisión, la eficiencia computacional y la interpretabilidad. El primer conjunto es una base de datos meteorológica de menor tamaño, mientras que el segundo dataset está vinculado al bosón de Higgs y es de mayor tamaño. Los resultados evidencian que las ventajas y desventajas teóricas de las diferentes técnicas se cumplen en la práctica y permiten entender cuándo conviene utilizar cada enfoque, en lugar de encontrar un único modelo óptimo.

This Bachelor's Thesis analyzes and compares six classification methods in Machine Learning: Decision Trees, Random Forest, Support Vector Machines (SVM), Multilayer Perceptrons (MLP), Logistic Regression, and Kolmogorov–Arnold Networks (KAN). These techniques are applied to two real-world datasets of different sizes and characteristics to evaluate aspects such as accuracy, computational efficiency, and interpretability. The first dataset is a smaller meteorological database, while the second is related to the Higgs boson and is considerably larger. The results show that the theoretical strengths and weaknesses of each method are reflected in practice, helping to identify which approach is more suitable depending on the context, rather than aiming to find a single optimal model.