Aprendizaje Automático y Teoría de Gráficas en la selección de características para modelos de la calidad del aire

Ponente(s): Juan Ángel Acosta Ceja, Julián Alberto Fresán Figueroa, Diego Antonio Gonzáles Moreno, Máximo Eduardo Sánchez Gutiérrez, Alma Rocío Sagaceta Mejía

La contaminación del aire es uno de los problemas ambientales más graves que enfrentan las grandes ciudades, como la Ciudad de México, debido a su relación con enfermedades respiratorias, cardiovasculares y otras condiciones crónicas. En este contexto, el análisis de datos meteorológicos y de calidad del aire resulta indispensable para el desarrollo de modelos de predicción y clasificación que permitan la toma de decisiones gubernamentales con información confiable y proteger la salud pública. El objetivo principal de este estudio es identificar las variables más relevantes para la clasificación del Índice Aire y Salud, lo cual mejora el rendimiento, la precisión y la eficiencia de modelos cómo las redes neuronales. Para ello, se aplicaron diversas técnicas de selección de características, combinando enfoques de Aprendizaje Automático con un enfoque basado en Teoría de Gráficas, el cual permite modelar las relaciones entre pares de variables mediante invariantes propios de la área. Esta propuesta ofrece una perspectiva diferente los métodos tradicionales estadísticos, permitiendo explorar la estructura global de las dependencias entre características y aportar criterios adicionales para su selección.