Taller explicativo de la nueva librería HYBparsimony para Python

La nueva librería HYBparsimony para Python permite la búsqueda automática de modelos de Inteligencia Artificial de baja complejidad que los hace más robustos y fáciles de mantener. Desarrollada por Francisco Javier Martínez de Pisón y Jose Divasón Mallagaray, la librería es la consecución de 15 años de investigación. Ha sido publicada recientemente de forma que puede ser instalada y usada gratuitamente en cualquier equipo.

El paquete HYBparsimony puede ayudar a encontrar modelos que sean menos complejos manteniendo niveles comparables de precisión. La metodología HYB-PARSIMONY ha sido implementada en Python y bajo licencia MIT. El repositorio con más ejemplos e información se puede encontrar en:
https://github.com/jodivaso/hybparsimony/.

La metodología se basa en el uso de dos métodos de optimización bio-inspirados: los algoritmos genéticos y la búsqueda por enjambre de partículas. En muchos escenarios de aprendizaje automático del mundo real, son comunes los conjuntos de datos pequeños pero de alta dimensión (SHHD), que generalmente comprenden datos tabulares con cientos o incluso miles de instancias, y decenas a cientos de características. Los modelos complejos, aunque precisos, pueden albergar sesgos ocultos, lo que genera la necesidad de modelos más interpretables que ayuden en la detección de sesgos y reduzcan el riesgo de sobreajuste. Además, los modelos menos complejos ofrecen estabilidad, resistencia al ruido y facilidad de mantenimiento y análisis.

Para abordar el desafío de optimizar simultáneamente los hiperparámetros y la selección de características para la selección de modelos parsimoniosos (PMS), se presenta el paquete HYBparsimony que combina algoritmos genéticos (GA) y optimización de enjambre de partículas (PSO) para la optimización de hiperparámetros, la selección de características y el PMS simultáneos y automáticos en SHDD.