Optimización de la Precisión en la Detección de Noticias Falsas de política en español mediante la Aplicación de Algoritmos de Optimización en la Regresión Logística

Abstract

La regresión logística, ampliamente utilizada en clasificación de textos para detectar noticias falsas, presenta limitaciones en su optimización dentro de este campo específico. La escasa exploración sistemática de algoritmos de optimización Gradiente Descendente (GD), Gradiente Descendente Estocástico (SGD), Gradiente Descendente por Mini-Lotes (MBGD), AdaGrad, Adam y RMSProp dificulta determinar su impacto real en la mejora de métricas de clasificación. Este trabajo de integración curricular abordó dicho problema aplicando estos seis algoritmos a un modelo de regresión logística para la detección de noticias políticas falsas en español, bajo la metodología CRISP-ML. El proceso incluyó: 1) Ingeniería de datos para generar un conjunto personalizado, 2) Optimización mediante ajuste de hiperparámetros de los algoritmos, y 3) Evaluación con matriz de confusión y métricas (Sensibilidad, Especificidad, Precisión, Exactitud y F1-Score). Los resultados demostraron que la variante SGD-LR (Gradiente Descendente Estocástico) superó significativamente al modelo base no optimizado (73.7% vs. 80.3% en precisión), así como a las demás técnicas evaluadas. Este incremento del 6.6% evidencia que la selección estratégica de algoritmos de optimización impacta directamente en el rendimiento de modelos de clasificación. El estudio no solo valida la eficacia del SGD para esta tarea específica, sino que establece un precedente metodológico al integrar CRISP-ML en el proceso de optimización de modelos. Estos hallazgos resaltan la necesidad de incluir fases sistemáticas de experimentación con optimizadores como paso crítico en el desarrollo de sistemas de detección de desinformación, particularmente para contenidos en español donde los estudios técnicos siguen siendo escasos.