Resumen
Los árboles de decisión son una conocida técnica de machine learning. Recientemente su popularidad ha aumentado debido al potente método de ensemble Gradient Boosting que permite aumentar gradualmente la precisión a costa de ejecutar un gran número de árboles de decisión. En este trabajo presentamos un acelerador diseñado para optimizar la ejecución de estos árboles reduciendo el consumo de energía. Lo hemos implementado en una FPGA para sistemas embebidos, y lo hemos probado con un caso de estudio relevante: la clasificación de píxeles de imágenes hiperespectrales. En nuestros experimentos con distintas imágenes, nuestro acelerador puede procesar las imágenes hiperespectrales a la misma velocidad a la que las generan los sensores hiperespectrales. En comparación con un procesador de alto rendimiento que ejecuta software optimizado, nuestro diseño es, de media, dos veces más rápido y consume 72 veces menos energía. En comparación con un procesador integrado, es 30 veces más rápido y consume 23 veces menos energía.
