Representación visual de datos de baja dimensión para la toma de decisiones informadas con modelos de Deep Learning

Abstract

La toma de decisiones informada es crucial para las organizaciones, ya que permite optimizar procesos y avanzar estratégicamente. En este contexto, los algoritmos de Aprendizaje de Máquina (Machine Learning) han emergido como herramientas clave para respaldar estas decisiones. Sin embargo, las dimensiones y la calidad de los datos juegan un papel fundamental en su desempeño, ya que características como la cantidad de atributos, su variabilidad o la presencia de valores atípicos condicionan la eficacia de los modelos y, por ende, el impacto en las decisiones organizacionales. Se ha identificado que, al incrementar la cantidad de dimensiones en los datos, los algoritmos convencionales tienden a experimentar variaciones significativas en su rendimiento. Esto ha obligado al área de las ciencias computacionales a incorporar extensas etapas de ingeniería de características para mejorar los algoritmos. No obstante, dichas etapas representan desafíos para las organizaciones; por un lado, requieren expertos altamente capacitados, lo que no siempre está disponible; por otro, dependen de la calidad del proceso implementado. Este panorama ha impulsado la búsqueda de estrategias que minimicen la dependencia de la ingeniería de características y, al mismo tiempo, garanticen un buen desempeño incluso con datos de baja dimensionalidad, es decir, escenarios en los que las variables medibles son limitadas en comparación con los modelos de alto desempeño. En respuesta a estas oportunidades y restricciones, este trabajo desarrolla una estrategia para el mapeo de representaciones visuales de datos de baja dimensionalidad. Para ello, se utiliza un caso representativo de la literatura, el conjunto de datos PIMA Indians Diabetes. La estrategia propuesta incluye dos enfoques principales; primero, un mapeo hacia representaciones visuales mediante superficies gaussianas, y segundo, un mapeo a imágenes de patrones de franjas de Moiré generadas a partir de las superficies gaussianas. Estas representaciones alimentan modelos de deep learning ampliamente reconocidos en la comunidad científica para respaldar la toma de decisiones. Los resultados obtenidos demuestran que estas representaciones visuales superan las expectativas de los modelos convencionales y de las estrategias paralelas reportadas en la literatura, posicionándose como una contribución significativa en este campo de estudio.

Abstract Informed decision-making is crucial for organizations, as it allows them to optimize processes and advance strategically. In this context, Machine Learning algorithms have emerged as key tools to support such decisions. However, the dimensions and quality of the dataset play a fundamental role in their performance, since characteristics such as the number of attributes, their variability, or the presence of outliers condition the effectiveness of the models and, therefore, their impact on organizational decisions. It has been identified that, as the number of dimensions in the data increases, conventional algorithms tend to experience significant variations in their performance. This has forced the field of computational sciences to incorporate extensive feature engineering stages to improve algorithms. However, these stages present challenges for organizations; on the one hand, they require highly skilled experts, who are not always available, and on the other hand, they depend on the quality of the implemented process. This scenario has driven the search for strategies that minimize the dependence on feature engineering while ensuring good performance even with low-dimensional data, i.e., scenarios where the measurable variables are limited compared to high-performance models. In response to these opportunities and constraints, this work develops a strategy for mapping visual representations of low-dimensional data. To this end, a representative case from the literature is used: the PIMA Indians Diabetes dataset. The proposed strategy includes two main approaches; first, a mapping to visual representations using Gaussian surfaces, and second, a mapping to Moiré fringe pattern images generated from the previously created Gaussian surfaces. These representations feed into widely recognized deep learning models in the scientific community to support decision-making. The results obtained demonstrate that these visual representations exceed the expectations of conventional models and the parallel strategies reported in the literature, positioning them as a significant contribution to this field of study.