Acceso usuarios
Daniel S. Paredes, Johanna Dueñas, Joel Fernando Montero Jiménez, José Luis Palacios Vélez
El presente estudio propone una comparación de 4 modelos de aprendizaje automático como: XGBoost, Random Forest, Long Short-Term Memory y Temporal Convolutional Network, se evaluó el desempeño integrando métricas de regresión como MAE, RMSE y R2 para cuantificar la magnitud del error, y métricas de clasificación binaria como accuracy, precision, recall y F1-score para medir la capacidad del modelo de discriminar entre eventos de lluvia y no lluvia. Cabe indicar que estos modelos se entrenaron sobre los datos previamente procesados, utilizando validación cruzada y búsqueda de hiperparámetros para optimizar su desempeño. En cuanto a los resultados evidencian que cada modelo posee fortalezas particulares: Random Forest se destaca por su equilibrio general, XGBoost por su sensibilidad extrema, Long Short-Term Memory por su precisión en predicciones continuas, y Temporal Convolutional Network por su estabilidad y capacidad de interpretar secuencias.
