Resumen

Este artículo presenta el uso de modelos multivariables lineales y no lineales como herramientas de apoyo al proceso de entrenamiento de los marchadores. Estos modelos se calculan a partir de los datos recogidos en los entrenamientos de los marchadores y se utilizan para predecir el resultado de una carrera de 3 km en función de las cargas de entrenamiento. El material consta de 122 planes de entrenamiento para 21 atletas. Para elegir el mejor modelo se utiliza el método de validación cruzada leave-one-out. La principal contribución del trabajo es proponer las modificaciones no lineales para los modelos lineales con el fin de lograr un menor error de predicción. Se demuestra que el mejor modelo es una regresión LASSO modificada con términos cuadráticos en la parte no lineal. Este modelo tiene el menor error de predicción y una estructura simplificada al eliminar algunos de los predictores.

• Materias:Inteligencia artificial Algoritmos genéticos Ingeniería civil Neurociencia Cognitiva
• Subjects:Artificial intelligence Genetic algorithms Civil engineering Cognitive Neuroscience
• Palabras claves:mejor modelo, caminante de carrera, modelo multivariable no lineal, regresión lasso modificada, menor error de predicción, menor error de predicción, proceso de carrera, papel, carrera de km, plan de entrenamiento
• Keywords:best model, race walker, nonlinear multivariable model, modified lasso regression, smaller prediction error, smallest prediction error, process of race, paper, km race, training plan