Por favor, use este identificador para citar o enlazar este ítem:
https://hdl.handle.net/11000/8580
Full metadata record
DC Field | Value | Language |
---|---|---|
dc.contributor.advisor | Ortiz Henarejos, Lidia | - |
dc.contributor.advisor | Cánovas Cánovas, María Josefa | - |
dc.contributor.author | Ivanova, Daria | - |
dc.contributor.other | Departamentos de la UMH::Estadística, Matemáticas e Informática | es |
dc.date.accessioned | 2021-10-01T10:19:18Z | - |
dc.date.available | 2021-10-01T10:19:18Z | - |
dc.date.created | 2020-06 | - |
dc.date.issued | 2020-06-11 | - |
dc.identifier.uri | http://hdl.handle.net/11000/8580 | - |
dc.description.abstract | En 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.abstract | In 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) countries | es |
dc.format | application/pdf | es |
dc.format.extent | 57 | es |
dc.language.iso | spa | es |
dc.publisher | Universidad Miguel Hernández de Elche | es |
dc.rights | info:eu-repo/semantics/openAccess | es |
dc.subject | máquinas de soporte vectorial | es |
dc.subject | support vector machine | es |
dc.subject | SVM | es |
dc.subject | regresión de soporte vectorial | es |
dc.subject | SVR | es |
dc.subject | programación lineal | es |
dc.subject | programación cuadrática | es |
dc.subject | support vector regression | es |
dc.subject | linear programming | es |
dc.subject | quadratic programming | es |
dc.subject | multi-objective programming | es |
dc.subject.other | CDU::3 - Ciencias sociales::31 - Demografía. Sociología. Estadística | es |
dc.subject.other | CDU::6 - Ciencias aplicadas::65 - Gestión y organización. Administración y dirección de empresas. Publicidad. Relaciones públicas. Medios de comunicación de masas | es |
dc.title | Support Vector Regression desde una perspectiva multiobjetivo: Una aplicación a la esperanza de vida | es |
dc.type | info:eu-repo/semantics/bachelorThesis | es |
dc.type | info:eu-repo/semantics/bachelorThesis | es |
dc.type | info:eu-repo/semantics/bachelorThesis | es |
![Thumbnail](/retrieve/1fad90a3-722a-4d2c-bd41-d8e8b63b051e/TFG-Ivanova%2c%20Daria.pdf.jpg)
View/Open:
TFG-Ivanova, Daria.pdf
2,1 MB
Adobe PDF
Share: