Universidad Distrital Francisco José de Caldas

Ingeniería Catastras y Geodesia

Inteligencia Artificial Aplicada al Territorio

Edison Morera Estevez

El día jueves 28 de mayo, los compañeros culminaron su sesión dejando un nuevo ejercicio para
profundizar más el tema del algoritmo MARS. Después se da inicio al siguiente tema sobre arboles
de decisión llamado “random forest”, el cual es una combinación de árboles predictores donde
cada árbol depende de los valores de un vector aleatorio probado independientemente y con la
misma distribución para cada uno. Este algoritmo puede ser utilizado para regresión y
clasificación, pero en cuanto a “arboles de decisión” el grupo se centró más en explicar más a
fondo la “clasificación”.

En la práctica, el algoritmo “planta” varios árboles en lugar de un solo árbol, para clasificar un
nuevo objeto basado en atributos. Cada árbol da una clasificación y finalmente el bosque elige la
clasificación con más votos o la más adecuada. También se expuso algunas aplicaciones donde se
usa este algoritmo, siendo algunas: sensores remotos; para la captura de información, en una
consola de video juegos llamada “Kinect” y en la detección de objetos para mejorar la detección
en ambientes complicados.

Este algoritmo fue creado por Leo Breiman y Adele Cutler. Dentro de los campos de aplicación
encontramos sensores remotos que buscan obtener una captura de imagen con una exactitud
alta. Además, el algoritmo es usado en videojuegos llamado Kinect y se encarga de almacenar
movimientos del cuerpo y los imita. Además permite determinar objetos en ambientes
complicados.

El grupo también nos mostró algunas aplicaciones donde han usado este algoritmo:

 “Aplicación de técnicas de aprendizaje automatizado para la predicción de los deterioros

superficiales en pavimentos” región del litoral – Argentina donde se utilizaron como
variables independientes el tránsito, las fisuras, obteniendo un error del 4,19% en la
clasificación.
 “Clasificación de imágenes de satélite mediante software libre: nuevas tendencias en
algoritmos de inteligencia artificial” – este se realizó en España, donde clasificaron las
coberturas, en total se obtuvieron 14 clases (entra áreas rurales y urbanas) en donde el
resultado tenía una exactitud del 92% aproximadamente. Para el estudio se utilizaron 100
áreas de entrenamiento y 50 de validación para cada categoría, en donde el rango
utilizado para los árboles de clasificación fue de 1 a 1000 y el número de variables de
división fue de 1 a 9.

Finalmente, durante el ejercicio práctico podemos evidenciar que la precisión en el resultado

depende bastante de la calidad de los datos (para este caso trabajábamos con la temperatura de
Bogotá que puede ser bastante variable por lo cual la predicción de la misma no se podía realizar
con la suficiente precisión) y de no ser solucionado con la revisión de los mismos se tendría que
trabajar con un algoritmo que se adecue más con el tipo de información que se está manejando.