Desarrollo de un modelo de aprendizaje automático para clasificar el nivel de habilidad de ciclistas

Abstract

La cantidad de ciclistas ha ido en aumento a través de los años, especialmente la cantidad de usuarios registrados en aplicaciones como Strava. Esto ha puesto en marcha panoramas cada vez más complejos de interpretar por herramientas digitales, ya que, al ser un deporte tan versátil, es difícil generalizar cuando se trata de rendimiento. En esta memoria, se ha llevado a cabo una revisión literaria respecto a que variables influyen más en el rendimiento del ciclista, con el fin de comprender que aspectos tienen mayor relevancia a la hora de clasificar su rendimiento. Esto se ha divido en dos capacidades fisiológicas: capacidad aeróbica y capacidad anaeróbica. Para construir el modelo de clasificación se combinaron estimaciones de estudios ya hechos, aplicados en un dataset open source del proyecto GoldenCheetah. Las categorías fueron establecidas como: Casual, Principiante, Experimentado y Élite. Los resultados de la clasificación, utilizando XGBoost, entregan una precisión máxima de 89 % aproximadamente respecto a la capacidad aeróbica y 91 % respecto a la capacidad anaeróbica, utilizando variables como la potencia promedio, edad, distancia total, frecuencia cardíaca promedio, frecuencia de entrenamiento semanal, velocidad promedio, ganancia de elevación, total de actividades, duración del entrenamiento y trabajo total.