Resultados y Análisis de Palabras Clave

Resultados de los Modelos

Se evaluaron tres modelos de aprendizaje supervisado para la detección de noticias falsas, obteniendo los siguientes resultados principales:

• SVM con TF-IDF:

• Precisión: 0.58
• Recall: 1.00
• F1-Score: 0.74
• Comentario: Logró identificar todas las noticias falsas, pero su precisión se vio afectada debido a algunos falsos positivos.

• LightGBM:

• Precisión: 0.94 (Clase 0) y 0.76 (Clase 1)
• Recall: 0.58 (Clase 0) y 0.97 (Clase 1)
• F1-Score: 0.72 (Clase 0) y 0.85 (Clase 1)
• Accuracy: 0.81
• AUC-ROC: 0.87
• Comentario: Logró un buen balance entre precisión y recall, destacándose por su eficiencia y rápida ejecución.

• Multinomial Naive Bayes:

• Precisión: 0.91 (Clase 0) y 0.74 (Clase 1)
• Recall: 0.54 (Clase 0) y 0.96 (Clase 1)
• F1-Score: 0.68 (Clase 0) y 0.84 (Clase 1)
• Accuracy: 0.78
• Comentario: Ofreció buenos resultados considerando su simplicidad y rapidez, aunque su recall para la clase 0 fue menor.

El modelo seleccionado para las predicciones finales fue LightGBM, debido a su mejor equilibrio entre precisión y recall, así como su alto AUC-ROC de 0.87, lo que indica una capacidad sólida para diferenciar entre noticias falsas y verdaderas.