Predicción de la velocidad de adopción de perros y gatos a partir de modelos clásicos de machine learning y deep learning con imágenes y textos

Abstract

RESUMEN : Muchos animales en situación de calle sufren y son sacrificados en refugios todos los días en todo el mundo por falta de recursos económicos y financieros para el sostenimiento y su debido cuidado. El objetivo de este trabajo consiste en utilizar los datos de una competencia de Kaggle donde la finalidad de esta es predecir la velocidad de adopción de dos tipos de animales (perro y gato). Los datos son obtenidos de una base de Petfinder de Malasia, con capacidad de búsqueda de animales que necesitan un hogar. Esta base es un directorio de casi 150,000 animales. Las tasas de adopción de animales se encuentran correlacionadas con los metadatos asociados a sus perfiles en línea como el texto descriptivo, las características que se evidencian en las fotografías y las variables que se consideran importantes predictores de adopción como la edad, el sexo, la raza, entre otros. Para desarrollar el propósito definido se ejecutan modelos de aprendizaje automático (machine learning) y aprendizaje profundo (deep learning) con el fin de implementar algoritmos de predicción de la velocidad de adopción de mascotas según las características de texto; imágenes y atributos, los resultados obtenidos indican que esta es una base de datos compleja ya que los modelos implementados a partir de los datos tienen un mal rendimiento para la clasificación planteada.

ABSTRACT : Every day many stray animals suffer and are sacrificed in shelters around the world due to a lack of economic and financial resources for their maintenance and proper care. The objective of this study is to use the data from a Kaggle competence, where the purpose was to predict the adoption rate for two types of animals (dogs and cats). The data was obtained through the Petfinder database from Malaysia, which has the capacity to search for animals that need a home. This database is a directory of around 150,000 animals. The adoption rate of the animals is correlated with the metadata associated with the online profiles as a descriptive text. The characteristics that are evident in the pictures and the variables that are considered important by the adoption predictors such as age, sex, breeds, among others. To develop the defined purpose, machine learning, and deep learning models were run in order to implement algorithms to predict the speed of adoption based on the text characteristics, images, and attributes. The results obtained indicate that this is a complex database since the models implemented from the data have a poor performance for the proposed classification.