Optimización de hiperparámetros en algoritmos de boosting: aplicación en la biosorción de metales tóxicos

Cruz-Victoria, Juan Crescenciano; Algredo Badillo, Ignacio; Netzahuatl-Muñoz, Alma Rosa; https://orcid.org/0000-0002-0358-1985; https://orcid.org/0000-0002-4748-3500; https://orcid.org/0000-0003-1963-8357

Optimización de hiperparámetros en algoritmos de boosting: aplicación en la biosorción de metales tóxicos

dc.audience	researchers
dc.audience	companies
dc.audience	teachers
dc.audience	students
dc.audience	generalPublic
dc.contributor.author	Cruz-Victoria, Juan Crescenciano
dc.contributor.author	Algredo Badillo, Ignacio
dc.contributor.author	Netzahuatl-Muñoz, Alma Rosa
dc.creator	https://orcid.org/0000-0002-0358-1985
dc.creator	https://orcid.org/0000-0002-4748-3500
dc.creator	https://orcid.org/0000-0003-1963-8357
dc.date.accessioned	2025-01-23T16:59:39Z
dc.date.available	2025-01-23T16:59:39Z
dc.date.issued	2025-01-22
dc.description.abstract	Este estudio evalúa y compara el rendimiento de cinco algoritmos de boosting (AdaBoost, Gradient Boosting, LightGBM, XGBoost y CatBoost) para predecir la capacidad de biosorción de cadmio divalente [Cd(II)] y níquel divalente [Ni(II)] por biomasa de la microalga Chlorella vulgaris. Se implementó una metodología de optimización de hiperparámetros utilizando Optuna, con 500 ensayos y validación cruzada de 5 pliegues para cada algoritmo, considerando como variables el pH, temperatura, concentraciones iniciales de ambos metales y concentración de biomasa. Durante la optimización, CatBoost mostró la mayor precisión (RMSE < 0.027 mmol g−1, R² > 0.97) mientras LightGBM destacó por su equilibrio entre rendimiento y eficiencia computacional. En general, los modelos mostraron mayor variabilidad en RMSE que en R², y fueron más estables en la predicción de la biosorción de Ni(II). El análisis de importancia de características reveló que las concentraciones iniciales de Cd(II) y Ni(II) fueron las variables más influyentes, capturando la interacción competitiva entre ellos. Esta metodología proporciona una guía robusta para implementar algoritmos de boosting en el modelado de procesos complejos de biorremediación, con potencial para optimizar sistemas de tratamiento de aguas residuales.
dc.folio	AyTBUAP 10(EIA):24-58
dc.format	pdf
dc.identificator	7
dc.identifier.uri	https://hdl.handle.net/20.500.12371/24151
dc.language.iso	spa
dc.publisher	Benemérita Universidad Autónoma de Puebla
dc.rights.acces	openAccess
dc.rights.uri	http://creativecommons.org/licenses/by-nc-sa/4.0
dc.subject.classification	INGENIERÍA Y TECNOLOGÍA
dc.title	Optimización de hiperparámetros en algoritmos de boosting: aplicación en la biosorción de metales tóxicos
dc.type	Artículo
dc.type.conacyt	article