[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"doc-detail-122260-es":3,"doc-seo-122260-110":31,"detail-sidebar-cat-0-es-110":92},{"code":4,"msg":5,"data":6},0,"success",{"doc_id":7,"user_id":8,"nickname":9,"user_avatar":10,"doc_module":4,"category_id":11,"category_name":12,"doc_title":13,"doc_description":14,"doc_content":15,"file_id":16,"file_url":17,"file_type":18,"file_size":19,"view_count":20,"is_deleted":4,"is_public":21,"is_downloadable":21,"audit_status":21,"page_count":22,"language":23,"language_code":24,"site_id":25,"html_lang":24,"table_of_contents":26,"faqs":27,"seo_title":28,"seo_description":14,"update_tm":29,"read_time":30},122260,3985741905716,"Rowan","https://ap-avatar.wpscdn.com/davatar_994ba38a5ba835b3df7d355c54d3ed8d",41,"Investigación e Informes","Equidad en Aprendizaje Automático - Aplicaciones","Actualmente, el Aprendizaje Automático y la Inteligencia Artificial influyen de forma notable en la vida cotidiana, y esta investigación analiza cómo las disparidades en los datos de entrenamiento impactan la equidad de modelos predictivos. Se evalúan algoritmos de clasificación incorporando técnicas como imputación de valores perdidos, selección de atributos y optimización de parámetros, junto con métricas de equidad para reducir sesgos. Para implementar el proceso, se desarrolla una herramienta que estudia el comportamiento de la equidad en tres bases de datos reales de clasificación. Los resultados muestran mejoras de equidad sin perder precisión del modelo.","TÍTULO  \nEQUIDAD ENAPRENDIZAJEAUTOMÁTICO. APLICACIONES  \n=  \nFAIRNESS IN MACHINE LEARNING. APPLICATIONS  \nAUTORA  \nJessica Coto Palacio  \nTutor  \nInstituciones Curso 􀂤􀂤 Fecha documento  \nEsta edición electrónica ha sido realizada en 2025  \nDr. Antonio Javier Tallón Ballesteros  \nUniversidad Internacional de Andalucía; Universidad de Huelva Máster Universitario en Economía, Finanzas y Computación (2023/24) Jessica Coto Palacio  \nDe esta edición: Universidad Internacional de Andalucía 2024  \n\n|  |\n| --- |\n| Para más información:\u003Cbr>[https://creativecommons.org/licenses/by-nc-nd/4.0/deed.es](https://creativecommons.org/licenses/by-nc-nd/4.0/deed.es)\u003Cbr>[https://creativecommons.org/licenses/by-nc-nd/4.0/deed.en](https://creativecommons.org/licenses/by-nc-nd/4.0/deed.en) |\n\nEquidad en Aprendizaje Automático. Aplicaciones  \nFairness in Machine Learning. Applications  \nby  \nJessica Coto Palacio  \nUniversity of Huelva & International University of Andalusia  \nJulio 2024  \n« Equidad en Aprendizaje Automático. Aplicaciones »  \n« Jessica Coto Palacio »  \nMáster en Economía, Finanzas y Computación  \n« Supervisor/s » Dr. Antonio J. Tallón Ballesteros  \nUniversidad de Huelva y Universidad Internacional de Andalucía  \n2024  \nAbstract  \nNowadays, Machine Learning and Artificial Intelligence are having a significant impact on various aspects of our daily lives. This work researches how disparities in training data can affect the fairness of predictive models. Using techniques such as missing values imputation, feature selection and parameter optimization in classification algorithms, together with the incorporation of fairness metrics, several models were evaluated in terms of their ability to reduce bias. To develop these steps, a tool is implemented through which the fairness behavior is studied in three real-world classification datasets. The results indicate that the data preprocessing methods as well as the optimization of specific metrics, can improve fairness keeping the model accuracy. This research highlights the importance of considering fairness in algorithm development in order to implement fairer models.  \nKeywords: Supervised Learning, Classification Problems, Fairness, Mitigation.  \nResumen  \nActualmente, el Aprendizaje Automático y la Inteligencia Artificial están teniendo un impactosignificativo en varios aspectos de nuestra vida cotidiana. En este trabajo se investiga cómo las disparidades en los datos de entrenamiento pueden afectar la justicia de los modelos predictivos. Utilizando técnicas como imputación de valores perdidos, selección de atributos, y optimización de parámetros en algoritmos de clasificación, junto a la incorporación demétricas de equidad, se evaluaron varios modelos en términos de su capacidad para reducirsesgos. Para desarrollar estos pasos se implementó una herramienta, a través de la cual seestudia el comportamiento de la equidad en tres bases de datos reales de clasificación. Los resultados indican que los métodos de preprocesamiento de datos y la optimización de métricasespecíficas pueden mejorar la equidad manteniendo la precisión del modelo. Esta investigaciónresalta la importancia de considerar la equidad en el desarrollo de algoritmos en aras de implementar modelos másjustos.  \nPalabras clave: Aprendizaje Supervisado, Problemas de clasificación, Equidad, Mitigación.  \nAgradecimientos  \nQuiero agradecer a mi tutor por su dedicación y tiempo, los cuales han sido fundamentales para la culminación de este trabajo.  \nA mi madre, mi abuela, mi tía y el resto de mi familia, gracias por su inquebrantable apoyo apesar de la distancia.  \nA mis amigos más cercanos, especialmente a Yailen, por su constante ayuda y apoyo incondicional.  \nA mis compañeros de máster, por todas las experiencias compartidas que enriquecieron esta etapa de mi vida.  \nY, finalmente, al claustro de profesores de MECOFIN, quienes han sido pilares esenciales en mi formación a lo largo del máster.  \nTabla de contenidos  \n1 Introducción","cbCaitQKIQTTRpHH","https://ap.wps.com/l/cbCaitQKIQTTRpHH","pdf",3738463,3,1,90,"Spanish","es",110,"# Introducción\n# Equidad en Aprendizaje Automático\n## Tipos de Aprendizaje\n## Algoritmos de clasificación\n## Métricas de evaluación","[{\"question\":\"Cómo afectan las disparidades en los datos de entrenamiento a la equidad del modelo?\",\"answer\":\"Las disparidades en los datos de entrenamiento pueden introducir sesgos que afectan la equidad de los modelos predictivos, disminuyendo su comportamiento justo.\"},{\"question\":\"Qué técnicas se aplican para mejorar la equidad en algoritmos de clasificación?\",\"answer\":\"Se usan imputación de valores perdidos, selección de atributos y optimización de parámetros, además de la incorporación de métricas de equidad para evaluar y mitigar sesgos.\"},{\"question\":\"Qué se concluye sobre la relación entre equidad y precisión del modelo?\",\"answer\":\"Los resultados indican que los métodos de preprocesamiento y la optimización de métricas específicas pueden mejorar la equidad manteniendo la precisión del modelo.\"}]","Equidad en Aprendizaje Automático - Aplicaciones | PDF",1785809703,139,{"code":4,"msg":32,"data":33},"ok",{"site_id":25,"language":24,"slug":34,"title":13,"keywords":35,"description":14,"schema_data":36,"social_meta":87,"head_meta":89,"extra_data":91,"updated_unix":29},"fairness-in-machine-learning-applications","",{"@graph":37,"@context":86},[38,54,69],{"@type":39,"itemListElement":40},"BreadcrumbList",[41,45,49,51],{"item":42,"name":43,"@type":44,"position":21},"https://docshare.wps.com","Home","ListItem",{"item":46,"name":47,"@type":44,"position":48},"https://docshare.wps.com/es/document/","Document",2,{"item":50,"name":12,"@type":44,"position":20},"https://docshare.wps.com/es/document/investigación-e-informes/",{"item":52,"name":13,"@type":44,"position":53},"https://docshare.wps.com/es/document/fairness-in-machine-learning-applications/122260/",4,{"url":52,"name":13,"@type":55,"author":56,"headline":13,"publisher":58,"fileFormat":61,"inLanguage":24,"description":14,"dateModified":62,"datePublished":63,"encodingFormat":61,"isAccessibleForFree":64,"interactionStatistic":65},"DigitalDocument",{"name":9,"@type":57},"Person",{"url":42,"name":59,"@type":60},"DocShare","Organization","application/pdf","2026-08-16","2026-08-04",true,{"@type":66,"interactionType":67,"userInteractionCount":20},"InteractionCounter",{"@type":68},"ViewAction",{"@type":70,"mainEntity":71},"FAQPage",[72,78,82],{"name":73,"@type":74,"acceptedAnswer":75},"Cómo afectan las disparidades en los datos de entrenamiento a la equidad del modelo?","Question",{"text":76,"@type":77},"Las disparidades en los datos de entrenamiento pueden introducir sesgos que afectan la equidad de los modelos predictivos, disminuyendo su comportamiento justo.","Answer",{"name":79,"@type":74,"acceptedAnswer":80},"Qué técnicas se aplican para mejorar la equidad en algoritmos de clasificación?",{"text":81,"@type":77},"Se usan imputación de valores perdidos, selección de atributos y optimización de parámetros, además de la incorporación de métricas de equidad para evaluar y mitigar sesgos.",{"name":83,"@type":74,"acceptedAnswer":84},"Qué se concluye sobre la relación entre equidad y precisión del modelo?",{"text":85,"@type":77},"Los resultados indican que los métodos de preprocesamiento y la optimización de métricas específicas pueden mejorar la equidad manteniendo la precisión del modelo.","https://schema.org",{"og:url":52,"og:type":88,"og:title":13,"og:site_name":59,"og:description":14},"article",{"robots":90,"canonical":52},"index,follow",{"doc_id":7,"site_id":25},{"code":4,"msg":5,"data":93},[94,99,103,107,111,113,117,121,125,129],{"id":95,"doc_module":4,"doc_module_name":47,"category_name":96,"show_sort_weight":97,"slug":98},39,"Cómic",60,"comic",{"id":100,"doc_module":4,"doc_module_name":47,"category_name":101,"show_sort_weight":97,"slug":102},43,"Estilo de Vida","lifestyle",{"id":104,"doc_module":4,"doc_module_name":47,"category_name":105,"show_sort_weight":97,"slug":106},38,"Examen","exam",{"id":108,"doc_module":4,"doc_module_name":47,"category_name":109,"show_sort_weight":97,"slug":110},44,"General","general",{"id":11,"doc_module":4,"doc_module_name":47,"category_name":12,"show_sort_weight":97,"slug":112},"research-report",{"id":114,"doc_module":4,"doc_module_name":47,"category_name":115,"show_sort_weight":97,"slug":116},37,"Literatura","literature",{"id":118,"doc_module":4,"doc_module_name":47,"category_name":119,"show_sort_weight":97,"slug":120},22,"Relatos y Novelas","story-novel",{"id":122,"doc_module":4,"doc_module_name":47,"category_name":123,"show_sort_weight":97,"slug":124},42,"Religión y Espiritualidad","religion-spirituality",{"id":126,"doc_module":4,"doc_module_name":47,"category_name":127,"show_sort_weight":97,"slug":128},40,"Salud y Atención Médica","healthcare",{"id":130,"doc_module":4,"doc_module_name":47,"category_name":131,"show_sort_weight":97,"slug":132},24,"Tecnología","technology"]