○ planned · proyecto
Otorga nivel a: Feature Selection · K-Nearest Neighbors
Usa: K-Nearest Neighbors · Support Vector Machine · Feature Selection · Class Imbalance · Time Series · Data Cleaning
Héctor Ceballos (Tec de Monterrey) detecta niveles de ocupación en espacios cerrados usando solo temperatura, humedad y presión con sensores IoT de bajo costo (ESP32 + BME280). Tesis: con el promedio de estas tres variables y un clasificador simple se logra >97% de precisión, sin CO2.
Hallazgos clave
- ‘Más información no es mejor información’: el conjunto mínimo (solo promedios de T/humedad/presión) superó a los de 9 features y predijo el gimnasio al 100%.
- Muestrear cada 30s da ~0.97 igual que cada 1s con gran ahorro energético; agregar a 5 min degrada a 0.88-0.90.
- El balanceo con ADASYN fue clave por clases desbalanceadas; a 5 min en el gimnasio no fue factible (~30 registros).
- No hay patrón único entre espacios: el modelo no transfiere de gimnasio a casa; se reentrena por lugar.
- Resultado 0.98 supera el estado del arte (0.91) con 3 variables frente a 10; KNN, SVM y DT son equivalentes.
- Publicado en Sensors con datos abiertos; metodología CRISP-DM reutilizable.
Módulos
- Contexto — sustentabilidad, ODS, ahorro de energía.
- Adquisición — ESP32 + BME280, dos datasets.
- Preprocesamiento y balanceo — agregación, ADASYN.
- Exploración y selección — RFE y K-Best.
- Experimentación — resolución temporal, SVM/KNN/DT.
- Resultados, paper y trabajo futuro.
Fuente: https://www.youtube.com/watch?v=gH5oiFWA2rA · Transcript local: data/cursos/datapub-ocupacion-ambiental/ocupacion-ambiental.srt
Enlaces
Otorga nivel a: Feature Selection · K-Nearest Neighbors Usa: K-Nearest Neighbors · Support Vector Machine · Feature Selection · Class Imbalance · Time Series · Data Cleaning