🟡 Clasificación de personajes de Los Simpson con redes neuronales

Comparativa de 4 arquitecturas de deep learning (red densa, CNN propia, Transfer Learning con Xception y Fine-Tuning con DenseNet201) y un ensemble ponderado para clasificar imágenes en 25 personajes de Los Simpson. El mejor resultado alcanza un 98,3 % de accuracy en test.

Práctica 3 de Minería de Datos (curso 2024-2025): aprendizaje de modelos basados en redes neuronales con tensorflow.

📊 Resultados

Accuracy sobre el conjunto de test (3.936 imágenes que ningún modelo vio durante el entrenamiento):

Modelo	Descripción	Test accuracy
Red neuronal simple	Capas densas + BatchNorm + Dropout	40,5 %
CNN propia	5 bloques convolucionales (incl. convoluciones separables)	94,3 %
Fine-Tuning	DenseNet201 (ImageNet), entrenamiento en 2 fases	94,0 %
Transfer Learning	Xception (ImageNet) con todas las capas descongeladas	98,2 %
Ensemble	Media ponderada de las probabilidades (TL 0,4 · CNN 0,3 · FT 0,2)	98,3 %

Qué se observa:

• Las convoluciones lo cambian todo: de ~40 % (densa) a ~94 % (CNN) con una arquitectura pequeña (1,5 M de parámetros).
• El Transfer Learning con Xception es el mejor modelo individual, y EarlyStopping lo detuvo en la época 37 de 100.
• El ensemble mejora ligeramente al mejor modelo individual.
• DenseNet201 muestra algo de sobreajuste (≈99 % en train vs. ≈94 % en validación).

🗂️ Datos

Dataset de la competición de Kaggle los-simpson: imágenes de 25 personajes, con clases desbalanceadas (domina homer_simpson).

Conjunto	Imágenes	Cómo se obtiene
Train	12.899	80 % del train original, estratificado
Validación	3.238	20 % del train original, estratificado
Test	3.936	Conjunto de test de la competición (se descarta 1 imagen corrupta)

🔧 Metodología

1. Preparación de datos: división estratificada con split-folders (semilla fija para reproducibilidad) y detección de una imagen corrupta en test.
2. Análisis exploratorio: comprobación de la estratificación, visualización de muestras y distribución de clases.
3. Desbalanceo: pesos por clase con compute_class_weight('balanced') aplicados en todos los entrenamientos.
4. Data augmentation: flip, rotación, zoom, contraste y brillo aleatorios, integrados como capas del modelo.
5. Regularización: Dropout, BatchNormalization, L2 y GlobalAveragePooling2D.
6. Entrenamiento: ModelCheckpoint sobre val_loss, EarlyStopping en los modelos pesados y learning rate con decaimiento exponencial en CNN y Xception.
7. Fine-Tuning en dos fases (DenseNet201): primero se entrenan las últimas 10 capas (lr = 1e-4); después se descongelan unas 500 capas más las 2 primeras con un lr mucho menor (1e-5).
8. Ensemble: media ponderada de las probabilidades de los modelos, sin reentrenar.

🚀 Cómo ejecutarlo

La libreta está pensada para Kaggle con GPU (P100).

1. Sube miner-a-pr-ctica-3.ipynb a un notebook de Kaggle y añade como entrada el dataset de la competición los-simpson.
2. Activa el acelerador GPU.
3. Ejecuta todas las celdas (instala plot_keras_history y split-folders en la propia libreta).

⏱️ El tiempo total de ejecución fue de 5 h 45 min, la mayor parte en los modelos de Transfer Learning y Fine-Tuning.

Librerías: tensorflow / keras, scikit-learn, pandas, numpy, matplotlib, split-folders, plot_keras_history.

💡 Conclusiones

• Las CNN superan con claridad a las redes densas en clasificación de imágenes.
• Transfer Learning y Fine-Tuning son muy potentes, pero cuestan tiempo y recursos de GPU.
• Diseñar y ajustar una red sigue siendo un proceso iterativo de prueba y error; las horas de GPU limitadas de Kaggle impidieron explorar más configuraciones.
• Combinar modelos en un ensemble aporta robustez y una mejora pequeña pero consistente.

🔭 Posibles mejoras

• Búsqueda sistemática de hiperparámetros (p. ej. con KerasTuner).
• Matriz de confusión y análisis por clase para ver qué personajes se confunden.
• Calcular los pesos del ensemble a partir de la validación en lugar de fijarlos a mano.
• Probar arquitecturas más recientes (EfficientNet, ConvNeXt).

👥 Autores

• David López Lorenzo
• Carlos Martínez Jaén

Supervisado por el profesorado de la asignatura: Juan Carlos Alfaro Jiménez y José Antonio Gámez Martín.