Como hemos visto en semanas anteriores, modelos como GBM, XGBoost y LightGBM no inspeccionan imágenes directamente sino que trabajan con datos extraídos de esas imágenes, es decir, características. LightGBM representa la evolución hacia una mayor eficiencia y escalabilidad en entornos industriales con grandes volúmenes de datos. Su diseño incorpora innovaciones específicas para acelerar el entrenamiento y reducir el uso de memoria sin sacrificar precisión, haciéndolo muy adecuado para la inspección visual en operaciones de planta.
LightGBM introduce tres innovaciones principales: Gradient-based One-Side Sampling (GOSS), Exclusive Feature Bundling (EFB) y crecimiento del árbol leaf-wise.
GOSS selecciona inteligentemente puntos de datos con los gradientes (errores) más altos para el entrenamiento, reduciendo el tamaño del conjunto de datos sin perder calidad. EFB agrupa características mutuamente exclusivas para reducir la dimensionalidad y el uso de memoria. El crecimiento leaf-wise expande la hoja con la mayor ganancia en lugar de crecer nivel por nivel (como en GBM o XGBoost), mejorando la precisión pero potencialmente produciendo árboles más profundos.
Estas técnicas aceleran el entrenamiento y permiten manejar conjuntos de datos muy grandes típicos en entornos de planta con menor consumo de recursos.
Los hiperparámetros clave incluyen num_leaves (controla la complejidad del árbol), learning_rate, max_depth, min_data_in_leaf (datos mínimos por hoja) y parámetros específicos como top_rate y other_rate para GOSS, y max_bin para la discretización de características.
El crecimiento leaf-wise puede conducir a sobreajuste si no se controla la profundidad del árbol o el número de hojas. Además, configurar parámetros como top_rate y other_rate requiere experiencia. La interpretabilidad del modelo sigue siendo un desafío.
Para usar LightGBM en inspección visual, es vital ajustar num_leaves para equilibrar precisión y sobreajuste, usar un learning_rate bajo y controlar max_depth o min_data_in_leaf para evitar árboles demasiado complejos. Experimentar con top_rate y other_rate puede mejorar el rendimiento en grandes conjuntos de datos. Validar con datos reales de planta y asegurar calidad y balance sigue siendo esencial.
Con esto, tenemos una visión completa de los modelos basados en árboles de decisión para inspección visual en entornos de planta.