Machine learning-powered data visualizations for guiding data science

• Marina Cuesta ^[1]
  1. [1] Universidad Carlos III de Madrid

     Universidad Carlos III de Madrid

     Madrid, España

     
• Localización: BEIO, Boletín de Estadística e Investigación Operativa, ISSN 1889-3805, Vol. 42, Nº. 1, 2026, págs. 76-80
• Idioma: español
• Enlaces
  • Texto completo
• Resumen

  • Los avances en el aprendizaje automático han dotado a los modelos de una mayor capacidad para capturar relaciones complejas, lo que se traduce en importantes mejoras en su rendimiento. Sin embargo, estas mejoras suelen ir acompañadas de una menor transparencia en la toma de decisiones, un aspecto que resulta clave para la confianza en los resultados y que plantea un reto para la comunidad científica. Esta tesis aborda este problema mediante la visualización de datos, explorando la relación entre aprendizaje automático y visualización para desarrollar nuevas técnicas que guíen la toma de decisiones a lo largo de un proyecto de clasificación en alta dimensionalidad. Las técnicas propuestas se basan en representaciones intuitivas de los datos y sus resultados que permiten: (1) incorporar a expertos del dominio en la toma de decisiones, aspecto esencial para validar la coherencia de los resultados con su conocimiento; y (2) comunicar los resultados a usuarios finales de forma clara y contextualizada, favoreciendo su comprensión y confianza.

• Referencias bibliográficas
  • Arrieta, A. B., D´ıaz-Rodr´ıguez, N., Del Ser, J., Bennetot, A., Tabik, S., Barbado, A., . . . others (2020). Explainable artificial intelligence...
  • Cuesta, M., Lancho, C., Fernandez-Isabel, A., Cano, E. L. y Mart ´ ´ın De Diego, I. (2024). Csviz: Class separability visualization for high-dimensional...
  • Cuesta, M., Mart´ın de Diego, I., Lancho, C., Acena, V. y M. Moguerza, J. (2021). From classification to visualization: A two way trip. ˜ In...
  • Dua, D. y Graff, C. (2017). UCI machine learning repository. Retrieved from http://archive.ics.uci.edu/ml
  • Ho, T. K. y Basu, M. (2002). Complexity measures of supervised classification problems. IEEE transactions on pattern analysis and machine...
  • Maciel, A. I., Costa, I. G. y Lorena, A. C. (2016). Measuring the complexity of regression problems. In 2016 international joint conference...
  • Vanschoren, J., Van Rijn, J. N., Bischl, B. y Torgo, L. (2014). Openml: networked science in machine learning. ACM SIGKDD Explorations Newsletter,...