Este estudio evaluó el rendimiento de varios modelos de aprendizaje automático para predecir el riesgo de objetos cercanos a la Tierra (NEO) utilizando un marco de clasificación binaria. Se compararon seis clasificadores, incluyendo el Clasificador de Bosque Aleatorio (RFC), el Clasificador de Impulso de Gradiente (GBC), el Clasificador de Vectores de Soporte (SVC), el Análisis Discriminante Lineal (LDA), la Regresión Logística (LR) y los K-Vecinos Más Cercanos (KNN), incluyendo escalamiento de datos, transformación de potencia y validación cruzada. RFC y GBC tuvieron el mejor rendimiento, con puntuaciones F2 de 0,987 y 0,986, respectivamente, y exhibieron una variabilidad muy baja. SVC logró una puntuación algo menor pero aceptable de 0,896. LDA y LR tuvieron un rendimiento moderado, con puntuaciones de aproximadamente 0,749 y 0,748, respectivamente, mientras que KNN obtuvo una puntuación baja de 0,691 debido a su dificultad para manejar patrones de datos complejos. RFC y GBC lograron excelentes precisiones del 99,7 % y el 99,6 %, respectivamente, con falsos positivos y negativos insignificantes en la matriz de errores. Estos resultados destacan la eficacia de los métodos de conjunto para lograr alta precisión y recuperación, y la importancia de la selección de modelos basada en las características del conjunto de datos y las métricas de evaluación seleccionadas. Las investigaciones futuras pueden centrarse en mejorar la precisión y la robustez de los modelos de predicción de riesgo de NEO mediante la optimización de hiperparámetros mediante ingeniería de características avanzada.
