Resumen: Algoritmos Genéticos

Actividad: 02

---

1. Introducción

El presente documento detalla la aplicación de Algoritmos Genéticos (AG) para optimizar tres pilares del aprendizaje de máquina. Se utiliza la librería PyGAD para simular el proceso evolutivo (selección, cruce y mutación) con el fin de encontrar soluciones óptimas en espacios de búsqueda complejos.

2. Desarrollo de Casos de Estudio

A. Feature Selection (Selección de Características)

Se implementó un AG para identificar las variables más influyentes en el rendimiento de un clasificador, eliminando datos redundantes.

• Modelo Base: DecisionTreeClassifier.
• Representación: Cromosoma binario (1 = característica activa, 0 = inactiva).
• Función de Aptitud:

  def fitness_func(instance, solution, solution_idx):
      selected_features = [i for i, bit in enumerate(solution) if bit == 1]
      if len(selected_features) == 0: return 0
      clf.fit(X_train[:, selected_features], y_train)
      return accuracy_score(y_test, clf.predict(X_test[:, selected_features]))

B. Hyperparameter Optimization

Se optimizaron los parámetros críticos de una Máquina de Soporte de Vectores (SVM) para maximizar su precisión en el dataset Iris.

• Parámetros: C (Regularización) y gamma (Coeficiente del kernel).
• Enfoque: Búsqueda heurística que supera en eficiencia a la búsqueda por grilla tradicional.
• Función de Aptitud:

  def fitness_func(instance, solution, solution_idx):
      c_param, gamma_param = solution
      svc = SVC(C=c_param, gamma=gamma_param)
      svc.fit(X_train, y_train)
      return accuracy_score(y_test, svc.predict(X_test))

C. Neuroevolution (Neuroevolución)

Evolución de los parámetros estructurales y de entrenamiento de una Red Neuronal Multicapa (MLP).

• Genes: Número de neuronas en capas ocultas, tasa de aprendizaje inicial y máximo de iteraciones.
• Dataset: Digits (Reconocimiento de dígitos manuscritos).
• Función de Aptitud:

  def fitness_func(instance, solution, solution_idx):
      h_layer, lr, m_iter = int(solution[0]), solution[1], int(solution[2])
      mlp = MLPClassifier(hidden_layer_sizes=(h_layer,), learning_rate_init=lr, max_iter=m_iter)
      mlp.fit(X_train, y_train)
      return accuracy_score(y_test, mlp.predict(X_test))

3. Configuración del Algoritmo Genético

Para todos los experimentos se definieron los siguientes hiperparámetros evolutivos:

• Población inicial: 10 soluciones.
• Selección de padres: Steady State Selection (SSS).
• Crossover: Un solo punto (single_point).
• Mutación: Aleatoria (random) para preservar la diversidad genética.
• Generaciones: 20 a 50 iteraciones según la complejidad del caso.

4. Conclusiones

1. Eficiencia: Los AG logran reducir la dimensionalidad de los datos sin sacrificar significativamente la precisión.
2. Adaptabilidad: La neuroevolución permite encontrar arquitecturas de red que no son evidentes mediante el diseño manual.
3. Optimización: El uso de PyGAD facilita la integración de lógica evolutiva en flujos de trabajo estándar de Scikit-Learn.

---