Regularización y métodos Kernel para algoritmos de clasificación
Este trabajo es el resultado de estudio de las técnicas de regularización y métodos Kernel empleados para algoritmos de clasificación. El método Mínimos Cuadrados Regularizados RLSC requiere la solución de un único problema de ecuaciones lineales, lo cual presenta ventajas en términos computacionale...
- Autores:
-
Ramírez Candamil, Juliana
- Tipo de recurso:
- Fecha de publicación:
- 2010
- Institución:
- Universidad Nacional de Colombia
- Repositorio:
- Universidad Nacional de Colombia
- Idioma:
- spa
- OAI Identifier:
- oai:repositorio.unal.edu.co:unal/3481
- Palabra clave:
- 0 Generalidades / Computer science, information and general works
51 Matemáticas / Mathematics
Mínimos Cuadrados Regularizados RLSC, Validación Cuadrada Generalizada GCV, Dejar Uno por Fuera LOO, Regularización de Tikhonov, Métodos Kernel / Regularized Least Square RLSC, Generalized Cross Validation GCV, Leave-One-Out LOO, Tikhonov Regularization, Kernel Methods
- Rights
- openAccess
- License
- Atribución-NoComercial 4.0 Internacional
Summary: | Este trabajo es el resultado de estudio de las técnicas de regularización y métodos Kernel empleados para algoritmos de clasificación. El método Mínimos Cuadrados Regularizados RLSC requiere la solución de un único problema de ecuaciones lineales, lo cual presenta ventajas en términos computacionales, eso hace que sea un método sencillo para realizar esta importante tarea. Este trabajo se enfoca en automatizar la selección de parámetros , tanto de regularización, como del Kernel, empleando Validación Cuadrada Generalizada GCV, para la versión lineal y no lineal de RLSC. Se evalúa la exactitud del clasificador y se compara con otros métodos bastante conocidos en la literatura, obteniendo resultados importantes en términos de desempeño y costo del algoritmo |
---|