Bolón-Canedo, VerónicaMorán-Fernández, LauraFreijeiro López, AdriánUniversidade da Coruña. Facultade de Informática2026-09-292026-09-292026-09https://hdl.handle.net/2183/49496[Resumen] El desequilibrio de clases constituye uno de los principales desafíos en los problemas de clasificación supervisada, ya que la presencia de clases minoritarias poco representadas puede provocar que los modelos de aprendizaje automático presenten un bajo rendimiento sobre dichas clases, a pesar de obtener buenos resultados globales. El presente Trabajo de Fin de Grado realiza un estudio comparativo de diferentes estrategias para abordar este problema, centrándose principalmente en técnicas de remuestreo, tanto de sobremuestreo como de submuestreo e híbridas, así como en distintos algoritmos de clasificación y otros enfoques complementarios, como la ponderación de clases y las funciones de pérdida específicas. La evaluación experimental se lleva a cabo sobre diversos conjuntos de datos de clasificación binaria y multiclase, considerando diferentes niveles de desbalanceo y utilizando métricas adecuadas para este tipo de problemas. Además, el trabajo incorpora la eficiencia energética como criterio adicional de evaluación, cuantificando el consumo energético y las emisiones de CO2 tanto durante el entrenamiento de los modelos como en el proceso de remuestreo, con el fin de analizar el compromiso entre el rendimiento predictivo y el coste computacional de las distintas estrategias evaluadas.[Abstract] Class imbalance is one of the main challenges in supervised classification problems, as the presence of underrepresented minority classes may cause machine learning models to perform poorly on those classes, despite achieving high overall performance. This Thesis presents a comparative study of different strategies to address this problem, focusing primarily on data resampling techniques, including oversampling, undersampling, and hybrid methods, as well as several classification algorithms and complementary approaches such as class weighting and specialized loss functions. The experimental evaluation is conducted on a variety of binary and multiclass datasets with different levels of class imbalance, using evaluation metrics specifically suited to this type of problem. In addition, the thesis incorporates energy efficiency as an additional evaluation criterion by quantifying energy consumption and CO2 emissions during both the training of the models and the resampling process. This allows for an analysis of the trade‑off between predictive performance and the computational cost associated with the different strategies evaluated.spaAttribution-NonCommercial-NoDerivatives 4.0 Internationalhttp://creativecommons.org/licenses/by-nc-nd/4.0/ClasificaciónAprendizaje supervisadoDesbalanceo de datosTécnicas de remuestreoÁrbol de decisiónEnsambleEficiencia energéticaIA VerdeClassificationSupervised LearningImbalanced DataResampling TechniquesDecision TreeEnsembleBoostingBaggingEnergy EfficiencyGreen AIbachelor thesisopen access