Nuevos Modelos de Redes Neuronales Evolutivas y Regresión Logística Generalizada utilizando Funciones de Base. Aplicaciones

Áreas de investigación:

• Methodology - Machine learning

Año:

2009

Tipo de publicación:

Tesis de doctorado

Autores:

• Gutiérrez, Pedro Antonio

Dirección:

César Hervás Martínez

BibTex:

@phdthesis{22009, author = "Pedro Antonio Guti{\'e}rrez", abstract = "El Modelado de Sistemas (MS) consiste en cuantificar la relaci{\'o}n que existe entre una variable de respuesta o variable dependiente que resulta de inter{\'e}s y una serie de variables independientes o predictoras que est{\'a}n posiblemente relacionadas con dicha variable, {\'E}ste es uno de los problemas fundamentales tratados en Estad{\'i}stica: un problema que convencionalmente es diferenciado en dos tareas distintas, regresi{\'o}n y clasificaci{\'o}n, donde la regresi{\'o}n implica que la variable de respuesta es continua, mientras que la clasificaci{\'o}n es utilizada cuando dicha variable es categ{\'o}rica, nominal u ordinal. El resultado del proceso de MS es la generaci{\'o}n 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 comprensi{\'o}n de la misma. En ambos tipos problemas (clasificaci{\'o}n y regresi{\'o}n), el objetivo se centra en determinar una relaci{\'o}n funcional entre las variables predictoras y la variable (o variables) de respuesta. Tradicionalmente, la resoluci{\'o}n de estos problemas se ha abordado usando t{\'e}cnicas de optimizaci{\'o}n para minimizar una determinada funci{\'o}n de error, previo establecimiento por parte del investigador del tipo de modelo a aplicar. En general, no ser{\'a} posible determinar la relaci{\'o}n funcional sino es mediante el uso de un conjunto de datos de ejemplo. De esta forma, la relaci{\'o}n se modela en t{\'e}rminos de alguna funci{\'o}n matem{\'a}tica que contiene una serie de par{\'a}metros ajustables, cuyos valores se determinan con la ayuda de los datos. Una forma de aproximaci{\'o}n al MS pasa por considerar funciones lineales en la relaci{\'o}n 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 relaci{\'o}n que subyace en el problema. El trabajo de investigaci{\'o}n desarrollado en la presente Tesis Doctoral aborda distintos enfoques para ir m{\'a}s all{\'a} de esta linealidad. De esta forma, supone un estudio sobre nuevos modelos no lineales, tanto de clasificaci{\'o}n como de regresi{\'o}n, capaces de superar las dificultades que los modelos lineales tradicionales encuentran cuando son enfrentados a problemas reales. En concreto, nos centraremos en la combinaci{\'o}n de distintas disciplinas de la Inteligencia Artificial y la Estad{\'i}stica, como son las Redes Neuronales Artificiales, la Computaci{\'o}n Evolutiva o la Regresi{\'o}n Log{\'i}stica.", address = "C{\'e}sar Herv{\'a}s Mart{\'i}nez", institution = "Universidad de Granada", month = "Granada", title = "{N}uevos {M}odelos de {R}edes {N}euronales {E}volutivas y {R}egresi{\'o}n {L}og{\'i}stica {G}eneralizada utilizando {F}unciones de {B}ase. {A}plicaciones", year = "2009", }

Abstract:

El Modelado de Sistemas (MS) consiste en cuantificar la relación que existe entre una variable de respuesta o variable dependiente que resulta de interés y una serie de variables independientes o predictoras que están posiblemente relacionadas con dicha variable, Éste es uno de los problemas fundamentales tratados en Estadística: un problema que convencionalmente es diferenciado en dos tareas distintas, regresión y clasificación, donde la regresión implica que la variable de respuesta es continua, mientras que la clasificación es utilizada cuando dicha variable es categórica, nominal u ordinal. El resultado del proceso de MS es la generación 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 comprensión de la misma. En ambos tipos problemas (clasificación y regresión), el objetivo se centra en determinar una relación funcional entre las variables predictoras y la variable (o variables) de respuesta. Tradicionalmente, la resolución de estos problemas se ha abordado usando técnicas de optimización para minimizar una determinada función de error, previo establecimiento por parte del investigador del tipo de modelo a aplicar. En general, no será posible determinar la relación funcional sino es mediante el uso de un conjunto de datos de ejemplo. De esta forma, la relación se modela en términos de alguna función matemática que contiene una serie de parámetros ajustables, cuyos valores se determinan con la ayuda de los datos. Una forma de aproximación al MS pasa por considerar funciones lineales en la relación 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 relación que subyace en el problema. El trabajo de investigación desarrollado en la presente Tesis Doctoral aborda distintos enfoques para ir más allá de esta linealidad. De esta forma, supone un estudio sobre nuevos modelos no lineales, tanto de clasificación como de regresión, capaces de superar las dificultades que los modelos lineales tradicionales encuentran cuando son enfrentados a problemas reales. En concreto, nos centraremos en la combinación de distintas disciplinas de la Inteligencia Artificial y la Estadística, como son las Redes Neuronales Artificiales, la Computación Evolutiva o la Regresión Logística.