Evaluación de la Librería TINTOlib - Código de los experimentos

Descripción general

Este repositorio contiene el código y los recursos para replicar los experimentos realizados en mi Trabajo de Fin de Máster titulado 'Transformación de Datos Tabulares a Imágenes Sintéticas: Optimización y Evaluación de la Librería TINTOlib en Python'

Ficheros y carpetas

Ficheros:

• utils.py: contiene funciones para cargar los datasets; hacer los splits; obtener información sobre los datos; y crear las ramas de los modelos.
• dataset_information.ipynb: notebook para probar a cargar los dataset y obtener información sobre la cantidad y tipo de datos.
• evaluate_models.ipynb: notebook para evaluar los modelos entrenados
• train_classic.ipynb: notebook para entrenar descriptores clásicos con los datos de un dataset.
• train_cnn.ipynb: notebook para entrenar CNNs a partir de imágenes sintéticas.
• train_cnn_mlp.ipynb: notebook para entrenar modelos CNN+MLP a partir de las imágenes sintéticas y los datos de un dataset. El entrenamiento se realiza con las imágenes sintéticas (en la rama CNN) y los datos del dataset (en la rama FFNN).
• train_cnn_ML.ipynb: notebook para entrenar modelos CNN+ML a partir de las imágenes sintéticas y los datos de un dataset. El entrenamiento se realiza con las imágenes sintéticas (en la rama CNN) y las predicciones que de un modelo RandomForest devuelve (concatenados a la predicción de la rama CNN).

Carpetas:

• datasets: contiene algunos de los datasets en bruto