Examinando por Autor "Navarro, Jorge"

Mostrando 1 - 2 de 2

General Performance Score for classification problems
(Springer, 2021) Martín De Diego, Isaac; Redondo, Ana R.; Fernández, Rubén R.; Navarro, Jorge; Moguerza, Javier M.
Several performance metrics are currently available to evaluate the performance of Machine Learning (ML) models in classifcation problems. ML models are usually assessed using a single measure because it facilitates the comparison between several models. However, there is no silver bullet since each performance metric emphasizes a diferent aspect of the classifcation. Thus, the choice depends on the particular requirements and characteristics of the problem. An additional problem arises in multi-class classifcation problems, since most of the well-known metrics are only directly applicable to binary classifcation problems. In this paper, we propose the General Performance Score (GPS), a methodological approach to build performance metrics for binary and multi-class classifcation problems. The basic idea behind GPS is to combine a set of individual metrics, penalising low values in any of them. Thus, users can combine several performance metrics that are relevant in the particular problem based on their preferences obtaining a conservative combination. Diferent GPS-based performance metrics are compared with alternatives in classifcation problems using real and simulated datasets. The metrics built using the proposed method improve the stability and explainability of the usual performance metrics. Finally, the GPS brings benefts in both new research lines and practical usage, where performance metrics tailored for each particular problem are considered.
Real-time classification of cattle behavior using Wireless Sensor Networks
(Elsevier, 2024) Navarro, Jorge; R. Fernández, Rubén; Aceña, Víctor; Fernández-Isabel, Alberto; Lancho, Carmen; Martín de Diego, Isaac
La detección de patrones de actividad y comportamiento utilizando acelerómetros en humanos ha sido una línea de investigación prolongada. Los avances en este campo se han transferido con éxito al estudio del comportamiento animal gracias a la aparición de nuevas tecnologías del Internet de las Cosas (IoT), como las Redes de Sensores Inalámbricos (WSN), y a la necesidad de información comportamental más compleja. Todos los sistemas propuestos por la comunidad científica han sido evaluados en términos de rendimiento de clasificación. Sin embargo, no muchos estudios consideran la posible pérdida de precisión cuando estos sistemas se implementan en WSN, dada la baja capacidad computacional de sus nodos y la necesidad de un bajo consumo energético. Este artículo propone un sistema de clasificación de patrones de comportamiento para cuatro tipos de comportamiento animal en ganado de pastoreo libre, junto con una configuración óptima y una configuración restringida del mismo. La evaluación de este sistema tiene en cuenta su rendimiento de clasificación y su precisión esperada bajo los recursos limitados que pueden ofrecer las WSN. Los resultados muestran que la configuración óptima mejora el rendimiento de sus alternativas en un promedio del 9% y la configuración restringida en un promedio del 6%. Además, como parte de una WSN, los resultados demuestran una precisión impecable en las configuraciones óptima y restringida para caminar (100% y 100%), casi perfecta para pastar (98.39% y 98.59%), y aceptable para acostarse (79.03% y 69.01%) y estar de pie (75.81% y 70.42%). En conclusión, el sistema propuesto representa una herramienta poderosa para analizar comportamientos complejos en el ganado mediante el uso de WSN.