{"id":23508,"date":"2018-03-09T09:14:06","date_gmt":"2018-03-09T09:14:06","guid":{"rendered":"https:\/\/www.deberes.net\/tesis\/sin-categoria\/seleccion-de-modelos-en-regresion-mediante-la-respuesta-al-ruido\/"},"modified":"2018-03-09T09:14:06","modified_gmt":"2018-03-09T09:14:06","slug":"seleccion-de-modelos-en-regresion-mediante-la-respuesta-al-ruido","status":"publish","type":"post","link":"https:\/\/www.deberes.net\/tesis\/matematicas\/seleccion-de-modelos-en-regresion-mediante-la-respuesta-al-ruido\/","title":{"rendered":"Selecci\u00f3n de modelos en regresi\u00f3n mediante la respuesta al ruido"},"content":{"rendered":"<h2>Tesis doctoral de <strong> Joaquin Pizarro Junquera <\/strong><\/h2>\n<p>Cuando aproximamos un modelo a un conjunto de datos, existe un dilema bien conocido entre bondad de ajuste y complejidad de la funci\u00f3n o modelos. si la funci\u00f3n es muy compleja existe el riesgo de overfitting y el modelo ser\u00e1 muy inestable en el sentido de que repetidas muestras recogidas del mismo proceso pueden conducirnos a un amplio rango de diferentes predicciones debido a la variabilidad en las variables extra. Si por el contrario la funci\u00f3n es muy simple, las predicciones ser\u00e1n muy pobres debido a la falta de detalle en el modelo. Los procedimientos de selecci\u00f3n de modelos son un intento de escoger entre un conjunto de modelos candidatos el m\u00e1s apropiado, donde puede existir m\u00e1s de una definici\u00f3n de \u00abapropiado\u00bb. Podemos destacar el principio de m\u00e1xima probabilidad, el principio de m\u00ednimo riesgo estructural, el principio de m\u00ednima longitud, el principio del m\u00ednimo riesgo de predicci\u00f3n, etc. A partir de estos principios se han desarrollado numerosas estrategias (penalizaci\u00f3n a la complejidad, remuestreo, contrastes de hip\u00f3tesis) que miden la \u00abbondad de ajuste\u00bb de un modelo a los datos. Esta medida var\u00eda considerablemente dependiendo del tama\u00f1o de las muestras. Generalmente todos los criterios seleccionan los mismos modelos cuando el tama\u00f1o de las muestras es suficientemente grande, pero en peque\u00f1as muestras difieren considerablemente. En esta tesis se propone un nuevo criterio de selecci\u00f3n de modelos basado en penalizar la complejidad en modelos lineales con ruido gausiano. El m\u00e9todo propuesto se basa en la relaci\u00f3n de suma de cuadrados residuales procedente de generar salidas de ruido normal en el conjunto de entrenamiento y en un gran conjunto de validaci\u00f3n. Este criterio es utilizado para determinar la complejidad \u00f3ptima en problemas de regresi\u00f3n lineal, utilizando como conjuntos de funciones aproximadoras candidatas funciones lineales. El m\u00e9todo estima el riesgo de predicci\u00f3n esperado utilizando todos los<\/p>\n<p>&nbsp;<\/p>\n<h3>Datos acad\u00e9micos de la tesis doctoral \u00ab<strong>Selecci\u00f3n de modelos en regresi\u00f3n mediante la respuesta al ruido<\/strong>\u00ab<\/h3>\n<ul>\n<li><strong>T\u00edtulo de la tesis:<\/strong>\u00a0 Selecci\u00f3n de modelos en regresi\u00f3n mediante la respuesta al ruido <\/li>\n<li><strong>Autor:<\/strong>\u00a0 Joaquin Pizarro Junquera <\/li>\n<li><strong>Universidad:<\/strong>\u00a0 C\u00e1diz<\/li>\n<li><strong>Fecha de lectura de la tesis:<\/strong>\u00a0 13\/06\/2003<\/li>\n<\/ul>\n<p>&nbsp;<\/p>\n<h3>Direcci\u00f3n y tribunal<\/h3>\n<ul>\n<li><strong>Director de la tesis<\/strong>\n<ul>\n<li>Pedro Galindo Ria\u00f1o<\/li>\n<\/ul>\n<\/li>\n<li><strong>Tribunal<\/strong>\n<ul>\n<li>Presidente del tribunal: c\u00e9sar Herv\u00e1s mart\u00ednez <\/li>\n<li>olga Pons capote (vocal)<\/li>\n<li>Antonio Rodriguez chia (vocal)<\/li>\n<li>  (vocal)<\/li>\n<\/ul>\n<\/li>\n<\/ul>\n<p>&nbsp;<\/p>\n","protected":false},"excerpt":{"rendered":"<p>Tesis doctoral de Joaquin Pizarro Junquera Cuando aproximamos un modelo a un conjunto de datos, existe un dilema bien conocido [&hellip;]<\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"site-sidebar-layout":"default","site-content-layout":"","ast-site-content-layout":"","site-content-style":"default","site-sidebar-style":"default","ast-global-header-display":"","ast-banner-title-visibility":"","ast-main-header-display":"","ast-hfb-above-header-display":"","ast-hfb-below-header-display":"","ast-hfb-mobile-header-display":"","site-post-title":"","ast-breadcrumbs-content":"","ast-featured-img":"","footer-sml-layout":"","theme-transparent-header-meta":"","adv-header-id-meta":"","stick-header-meta":"","header-above-stick-meta":"","header-main-stick-meta":"","header-below-stick-meta":"","astra-migrate-meta-layouts":"default","ast-page-background-enabled":"default","ast-page-background-meta":{"desktop":{"background-color":"var(--ast-global-color-4)","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-gradient":""},"tablet":{"background-color":"","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-gradient":""},"mobile":{"background-color":"","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-gradient":""}},"ast-content-background-meta":{"desktop":{"background-color":"var(--ast-global-color-5)","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-gradient":""},"tablet":{"background-color":"var(--ast-global-color-5)","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-gradient":""},"mobile":{"background-color":"var(--ast-global-color-5)","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-gradient":""}},"footnotes":""},"categories":[1506,1890,2528,126],"tags":[69655,20815,69654,22290,30715],"class_list":["post-23508","post","type-post","status-publish","format-standard","hentry","category-cadiz","category-ciencia-de-los-ordenadores","category-inteligencia-artificial","category-matematicas","tag-antonio-rodriguez-chia","tag-cesar-hervas-Martinez","tag-joaquin-pizarro-junquera","tag-olga-pons-capote","tag-pedro-galindo-riano"],"_links":{"self":[{"href":"https:\/\/www.deberes.net\/tesis\/wp-json\/wp\/v2\/posts\/23508","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.deberes.net\/tesis\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/www.deberes.net\/tesis\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/www.deberes.net\/tesis\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/www.deberes.net\/tesis\/wp-json\/wp\/v2\/comments?post=23508"}],"version-history":[{"count":0,"href":"https:\/\/www.deberes.net\/tesis\/wp-json\/wp\/v2\/posts\/23508\/revisions"}],"wp:attachment":[{"href":"https:\/\/www.deberes.net\/tesis\/wp-json\/wp\/v2\/media?parent=23508"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.deberes.net\/tesis\/wp-json\/wp\/v2\/categories?post=23508"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.deberes.net\/tesis\/wp-json\/wp\/v2\/tags?post=23508"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}