Selecció d'autoencoders amb validació creuada

Abstract

Aquest treball de fi de grau se centra en l'ús d autoencoders per a la reducció de dimensions i l'anàlisi de la reconstrucció de les dades. Els autoencoders són una tècnica d'aprenentatge automàtic que permet codificar i descodificar dades, preservant la informació essencial mentre se'n redueix la dimensió. L'estudi investiga la determinació del nombre òptim de nodes a la capa oculta mitjançant la validació creuada i compara diferents mètriques com ara són l'AIC, l'R2 i el SSE per a la selecció de models. Utilitzant diferents bases de dades, el treball avalua l'efectivitat dels autoencoders a la reconstrucció d'aquestes. S'implementa el model utilitzant el paquet Keras, destacant-ne la capacitat per crear xarxes neuronals avançades i entrenar-les eficientment. Els resultats mostren que és possible reduir significativament la dimensió de les dades sense una gran pèrdua d'informació, optimitzant el balanç entre variabilitat explicada i la suma dels errors quadràtics.