Please use this identifier to cite or link to this item: https://hdl.handle.net/11000/8580
Full metadata record
DC FieldValueLanguage
dc.contributor.advisorOrtiz Henarejos, Lidia-
dc.contributor.advisorCánovas Cánovas, María Josefa-
dc.contributor.authorIvanova, Daria-
dc.contributor.otherDepartamentos de la UMH::Estadística, Matemáticas e Informáticaes
dc.date.accessioned2021-10-01T10:19:18Z-
dc.date.available2021-10-01T10:19:18Z-
dc.date.created2020-06-
dc.date.issued2020-06-11-
dc.identifier.urihttp://hdl.handle.net/11000/8580-
dc.description.abstractEn el presente proyecto se lleva a cabo una breve recopilación de métodos bien conocidos basados en el aprendizaje automático Support Vector Machine (SVM) y Support Vector Regression (SVR) para la resolución de problemas de clasificación y regresión, respectivamente. El primer método, a grandes rasgos, consiste en la búsqueda de hiperplanos capaces de separar las diferentes clases. El segundo método, también reside en la búsqueda de un hiperplano regresor que describa los datos con la mayor precisión posible. El SVR es el sucesor del SVM, es por ello que hay menos estudios y menos literatura del mismo. Sin embargo, tiene una aplicación amplia debido a que la variable respuesta es continua. En este trabajo nos centraremos en la técnica de SVR. Teniendo en cuenta que el SVR resulta ser un problema de Programación Multiobjetivo (PMO), se propone un planteamiento y una resolución alternativos al existente. Una vez definidos los diferentes modelos de optimización, se utilizan los lenguajes de programación R y MATLAB para programar los correspondientes algoritmos que permiten resolver estos problemas. Esta implementación, que resuelve diferentes modelos de SVR de forma genérica, constituye una de las principales aportaciones originales del trabajo. Para ilustrar los diferentes modelos de optimización propuestos, se lleva a cabo una aplicación sobre una base de datos real que nos permitirá realizar, mediante la técnica descrita, predicciones sobre la esperanza de vida de los países de la Organización para la Cooperación y el Desarrollo Económicos (OCDE)es
dc.description.abstractIn the present project a brief compilation of well known methods based on machine learning is brought off. These methods are Support Vector Machine (SVM) and Support Vector Regression (SVR), for the resolution of classification and regression problems, respectively. The first method, broadly speaking, consists of the search of hyperplanes capable of separating the different classes. The second method also lies in searching a regressor hyperplane that describes the data as accurately as possible. The SVR is the successor of the SVM, that is why there are less related studies or literature. Nevertheless, it has a wide application because the response variable is continuous. In this project we will focus on SVR technique. Considering that the SVR turns out to be a Multi-objective Programming (MOP) problem, an alternative approach and resolution to the existing one is proposed. Once the different optimization models are defined, R and MATLAB programming languages are used to program the pertintent algorithms that allow these problems to be solved. This implementation, which solves different SVR models in a generic way, constitutes one of the main original contributions of the work. To illustrate the different optimization models proposed, the algorithms will be applied over a real database, which will allow us to make predictions, using the above-mentioned technique, about the life expectancy in Organisation for Economic Co-operation and Development (OECD) countrieses
dc.formatapplication/pdfes
dc.format.extent57es
dc.language.isospaes
dc.publisherUniversidad Miguel Hernández de Elchees
dc.rightsinfo:eu-repo/semantics/openAccesses
dc.subjectmáquinas de soporte vectoriales
dc.subjectsupport vector machinees
dc.subjectSVMes
dc.subjectregresión de soporte vectoriales
dc.subjectSVRes
dc.subjectprogramación lineales
dc.subjectprogramación cuadráticaes
dc.subjectsupport vector regressiones
dc.subjectlinear programminges
dc.subjectquadratic programminges
dc.subjectmulti-objective programminges
dc.subject.otherCDU::3 - Ciencias sociales::31 - Demografía. Sociología. Estadísticaes
dc.subject.otherCDU::6 - Ciencias aplicadas::65 - Gestión y organización. Administración y dirección de empresas. Publicidad. Relaciones públicas. Medios de comunicación de masases
dc.titleSupport Vector Regression desde una perspectiva multiobjetivo: Una aplicación a la esperanza de vidaes
dc.typeinfo:eu-repo/semantics/bachelorThesises
dc.typeinfo:eu-repo/semantics/bachelorThesises
dc.typeinfo:eu-repo/semantics/bachelorThesises
Appears in Collections:
TFG - Estadística Empresarial


Thumbnail

View/Open:
 TFG-Ivanova, Daria.pdf
2,1 MB
Adobe PDF
Share:


Creative Commons ???jsp.display-item.text9???