Modelos de regresión lineal con redes neuronales
DOI:
https://doi.org/10.21704/ac.v75i2.961Palabras clave:
modelos de regresión lineal, redes neuronales, red neuronal perceptron, red neuronal multicapa.Resumen
Los modelos de redes neuronales pueden ser considerados como nuevos paradigmas para el análisis estadístico de regresión lineal. Una de las razones del uso de las redes neuronales es que no necesitan el cumplimiento de supuestos teóricos como en los modelos estadísticos clásicos. El modelo del Perceptron multicapa es equivalente a un modelo de regresión lineal, debido a la similitud de la variable de salida (variable respuesta Y) que se relaciona aplicando la función de activación (función identidad) sobre una combinación lineal de pesos (coeficientes) con las variables de entrada (variables predictoras). El objetivo de la investigación es presentar y comparar una metodología para ajustar los modelos estadísticos de regresión lineal simple, múltiple y multivariado con el modelo de red neuronal Perceptron multicapa. Los resultados muestran que las ecuaciones de predicción estimadas con el modelo neuronal Perceptron multicapa tuvieron un mayor R2. En la comparación de la regresión lineal simple, en el 61,2 % de los conjuntos de datos simulados resultaron los modelos de redes neuronales con mayores R2.
Descargas
Referencias
Bishop C.M. 1995. Neural networks for pattern recognition. Oxford: Oxford University Press.
Bishop, C.M. 1994. Neural networks and their applications. Review of Scientific Instruments, 65(6):1803-1832.
Chattesjje, S. y Laudato, M. 1995. Statistical applications of neural networks, 1, 1-21. Massachusetts: Northeasten University Boston.
Cheng, B. y Titterington, D.M. 1994. Neural networks: a review from a statistical perspective. Statistical Science, 9(1): 2-54.
Garson, G.D. 1991. A comparison of neural network and expert systems algorithms with common multivariate procedures for analysis of social science data. Social Science Computer Review, 9: 399-434.
Haykin, S. 1999. Neuronal networks. A comprehensive foundation. (2da. ed.). Prentice Hall.
Huang, W.Y. y Lippmann, R.P. 1987. Comparisons between neural nets and conventional classifiers. Proceedings of the IEEE International Conference on Neural Networks, I: 485-494.
Masters, T. 1993. Practical neuronal networks recipes in C++. London: Academia Press.
Michie, D.; Spiegelhalter, D.J. y Taylor, C.C. 1994. Machine learning, neural and statistical classification. New York: Ellis Horwood.
Navarro, J.B. 1998. Aplicación de redes neuronales artificiales al tratamiento de datos incompletos. (Tesis doctoral no publicada). Universidad Autónoma de Barcelona.
Pitarque, A.; Roy, J. y Rui,z J. 2000. Las redes neuronales como herramientas estadísticas no paramétricas de clasificación. Psicológica 12(2): 459.463.
Pitarque, A.; Roy, J. y Ruiz, J. 1998. Redes neuronales vs modelos estadísticos: Simulaciones sobre tareas de predicción y clasificación. Psicológica (19): 387-400.
Ripley, B.D. 1994. Neural networks and related methods for classification. Journal of the Royal Statistical Society, 56(3): 409-456.
Sarle, Warren S. 1994. Neural Networks and Statistical Models. Proceeding of the 19th annual SAS Users Group International Conference, pp. 1538-50. Cary, NC (SAS Institute).
Sarle, W.S. 2000. How to measure importance of inputs? Recuperado de ftp://ftp.sas.com/pub/neural/importance.html.
Thrun, S.; Mitchell, T. y Cheng, J. 1991. The MONK’s comparison of learning algorithms: introduction and survey. En S. Thrun, J. Bala, E. Bloedorn e I. Bratko (Eds.), The MONK’s problem: a performance comparison of different learning algorithms, pp. 1-6. Pittsburg: Carnegie Mellon University.
Vicino, F. 1998. Some reflections on artificial neural networks and statistics: two ways of obtaining solutions by working with data. Substance Use & Misuse, 3(2): 221-231.
White, H. 1989. Neural network learning and statistics. AI Expert, Dec. 48-52.
White, H. 1994. Parametric statistical estimation with artificial neural networks: Mathematical perspectives neural networks, pp. 1-20.
