Como beneficio adicional, obtenga el código para aplicar la extracción de funciones en cualquier lugar
Esta es la última parte de mi serie de artículos inspirados en la naturaleza. Anteriormente había hablado de algoritmos inspirados en genética, enjambre, abejasy hormigas. Hoy hablaré de lobos.
Cuando un artículo de revista tiene un recuento de citas de 5 cifras, sabes que están sucediendo cosas serias. Optimizador de lobo gris [1] (GWO) es un ejemplo de ello.
Al igual que la optimización de enjambre de partículas (PSO), la colonia de abejas artificiales (ABC) y la optimización de colonias de hormigas (ACO), GWO también es una metaheurística. Aunque no existen garantías matemáticas para la solución, funciona bien en la práctica y no requiere ningún conocimiento analítico del problema subyacente. Esto nos permite realizar consultas desde una ‘caja negra’ y simplemente utilizar los resultados observados para refinar nuestra solución.
Como mencioné en mi artículo de ACO, todos estos se relacionan en última instancia con el concepto fundamental de compensación entre exploración y explotación. ¿Por qué, entonces, hay tantas metaheurísticas diferentes?
En primer lugar, porque los investigadores tienen que publicar artículos. Una buena parte de su trabajo implica explorar cosas desde diferentes ángulos y compartir las formas en que sus hallazgos aportan beneficios sobre los enfoques existentes. (O como dirían algunos, publicar artículos para justificar sus salarios y buscar ascensos. Pero no lleguemos allí).
En segundo lugar, se debe al teorema de “No hay almuerzo gratis”. [2] del que hablaron los propios autores de GWO. Si bien ese teorema decía específicamente que no hay almuerzo gratis para los algoritmos de optimización, creo que es justo decir que lo mismo ocurre con la ciencia de datos en general. No existe una solución única que sirva para todos y, a menudo, tenemos que probar diferentes enfoques para ver cuál funciona.
Por lo tanto, procedamos a agregar otra metaheurística a nuestra caja de herramientas. Porque nunca está de más tener otra herramienta que algún día te pueda resultar útil.
Primero, consideremos un problema de clasificación simple de imágenes. Un enfoque inteligente es utilizar redes neuronales profundas previamente entrenadas como extractores de características, para convertir…