Resumen

La regresin de vectores soporte (SVR) es un potente mtodo basado en ncleos que se ha aplicado con xito en problemas de regresin. En cuanto a los algoritmos SVR ponderados por caractersticas, se ha tenido en cuenta su contribucin al resultado del modelo. Sin embargo, el rendimiento del modelo est sujeto a los pesos de las caractersticas y al consumo de tiempo en el entrenamiento. En este artculo se propone un SVR ponderado por caractersticas eficiente. En primer lugar, la restriccin del valor de cada peso se obtiene de acuerdo con el coeficiente de informacin mxima que revela la relacin entre cada caracterstica de entrada y salida. A continuacin, se emplea el algoritmo de optimizacin de enjambre de partculas (PSO) para optimizar los pesos de las caractersticas y los hiperparmetros simultneamente. Por ltimo, los pesos ptimos se utilizan para modificar la funcin del ncleo. Se realizaron experimentos de simulacin con cuatro conjuntos de datos sintticos y siete reales utilizando el modelo propuesto, el SVR clsico y algunos modelos SVR ponderados por caractersticas de ltima generacin. Los resultados muestran que el mtodo propuesto tiene una capacidad de generalizacin superior en un tiempo aceptable.

• Materias:Algoritmos (Matemáticas) Algebra Ingeniería Lógica matemática Matemáticas
• Subjects:Agorithms (Math) Algebra Engineering Mathematical logic mathematics
• Palabras claves:Regresión de vectores de soporte; Algoritmos SVR ponderados por características; Resultados del modelo; Pesos de las características; Consumo de tiempo; SVR ponderado por características eficiente
• Keywords:Support vector regression; Feature-weighted SVR algorithms; Model output; Feature weights; Time consumption; Efficient feature-weighted SVR