Nuevos modelos de redes neuronales evolutivas y regresión logística generalizada utilizando funciones de base. Aplicaciones

Content Provider	Semantic Scholar
Author	Peña, Pedro A.
Copyright Year	2011
Abstract	El Modelado de Sistemas (MS) consiste en cuantificar la relacion que existe entre una variable de respuesta o variable dependiente que resulta de interes y una serie de variables independientes o predictoras que estan posiblemente relacionadas con dicha variable, Este es uno de los problemas fundamentales tratados en Estadistica: un problema que convencionalmente es diferenciado en dos tareas distintas, regresion y clasificacion, donde la regresion implica que la variable de respuesta es continua, mientras que la clasificacion es utilizada cuando dicha variable es categorica, nominal u ordinal. El resultado del proceso de MS es la generacion de modelos, es decir, de abstracciones de la realidad que pueden ser aplicadas tanto para predecir valores de la variable dependiente dados nuevos valores de las variables independientes, como para mejorar nuestra comprension de la misma. En ambos tipos problemas (clasificacion y regresion), el objetivo se centra en determinar una relacion funcional entre las variables predictoras y la variable (o variables) de respuesta. Tradicionalmente, la resolucion de estos problemas se ha abordado usando tecnicas de optimizacion para minimizar una determinada funcion de error, previo establecimiento por parte del investigador del tipo de modelo a aplicar. En general, no sera posible determinar la relacion funcional sino es mediante el uso de un conjunto de datos de ejemplo. De esta forma, la relacion se modela en terminos de alguna funcion matematica que contiene una serie de parametros ajustables, cuyos valores se determinan con la ayuda de los datos. Una forma de aproximacion al MS pasa por considerar funciones lineales en la relacion causa-efecto (es decir, utilizar hiper-planos), pero, a pesar de su amplio uso y popularidad, los modelos lineales son habitualmente demasiado restrictivos para capturar de forma precisa la relacion que subyace en el problema. El trabajo de investigacion desarrollado en la presente Tesis Doctoral aborda distintos enfoques para ir mas alla de esta linealidad. De esta forma, supone un estudio sobre nuevos modelos no lineales, tanto de clasificacion como de regresion, capaces de superar las dificultades que los modelos lineales tradicionales encuentran cuando son enfrentados a problemas reales. En concreto, nos centraremos en la combinacion de distintas disciplinas de la Inteligencia Artificial y la Estadistica, como son las Redes Neuronales Artificiales, la Computacion Evolutiva o la Regresion Logistica.
File Format	PDF HTM / HTML
Alternate Webpage(s)	http://decsai.ugr.es/Documentos/tesis_dpto/124.pdf
Language	English
Access Restriction	Open
Content Type	Text
Resource Type	Article