Data driven initialization for machine learning classification models

El principal objetivo de este proyecto de grado es desarrollar una estrategia para la inicialización de los parámetros θ tanto para la regresión logística (clasificador lineal) como para la regresión multinomial, y las redes neuronales clásicas (fully connected feed-forward). Esta inicialización se basó en las propiedades de la distribución estadística de los datos con los que se entrenan los modelos. Esto con el fin de inicializar el modelo en una región de la función de costo más adecuada y así, pueda llegar a una mejorar su tasa de convergencia, y producir mejores resultados en menores tiempos de entrenamiento. La tesis presenta una explicación intuitiva y matemática de los modelos de inicialización propuestos, y contrasta el desarrollo teórico con un benchmark donde se utilizaron diferentes datasets, incluyendo toy examples. Así mismo, también se presenta un análisis de estos resultados, se discuten las limitaciones de las propuestas y el trabajo futuro que se puede derivar a partir de este trabajo.

• Fecha de publicación: 2022
• Institución: Universidad del Rosario
• Repositorio: Repositorio EdocUR - U. Rosario
• Idioma: eng
• OAI Identifier: oai:repository.urosario.edu.co:10336/34737
• Acceso en línea: https://doi.org/10.48713/10336_34737; https://repository.urosario.edu.co/handle/10336/34737
• Palabra clave: Redes Neuronales; Regresión Logística; Gradiente Descendiente; Parámetros de un Modelo de Clasificación; Vectores Característicos; Distribución de las Clases; Matemáticas; Neural Networks; Logistic Regression; Characteristic Vectors; Classes Distributions; Classification Models Parameters
• License: Atribución-NoComercial-CompartirIgual 2.5 Colombia