Resumen

La regresión logística ha sido ampliamente utilizada en inteligencia artificial y aprendizaje automático debido a su sólido fundamento teórico y buen rendimiento práctico. Su proceso de entrenamiento tiene como objetivo resolver un problema de optimización a gran escala caracterizado por una función de verosimilitud, donde el enfoque de descenso de gradiente es el más comúnmente utilizado. Sin embargo, cuando el tamaño de los datos es grande, es muy consumidor de tiempo porque calcula el gradiente utilizando todos los datos de entrenamiento en cada iteración. Aunque esta dificultad puede resolverse mediante muestreo aleatorio, el tamaño apropiado de ejemplos muestreados es difícil de determinar y los resultados obtenidos podrían no ser robustos. Para superar esta deficiencia, proponemos un algoritmo novedoso para el entrenamiento rápido de regresión logística a través de muestreo adaptativo. El método propuesto descompone el problema de estimación del gradiente en varios subproblemas según su dimensión; luego, cada subproblema se resuelve de forma independiente mediante muest

• Materias:Colonias de abejas artificiales Inteligencia artificial Patrón espacial Innovación de la comunicación Algoritmo de red neuronal
• Subjects:Artificial bee colonies Artificial intelligence Spatial pattern Communication innovation Neural network algorithm
• Palabras claves:Regresión logística; Inteligencia artificial; Aprendizaje automático; Descenso de gradiente; Muestreo adaptativo; Tiempo de entrenamiento
• Keywords:Logistic regression; Artificial intelligence; Machine learning; Gradient descent; Adaptive sampling; Training time