Un estudio empírico del modelo de red neuronal MLP para problemas de predicción con salidas múltiples.

##plugins.themes.bootstrap3.article.main##

Julio Camejo Corona Hector Gonzalez Diez Carlos Morell

Resumen

Existe una amplia gama de problemas en los cual se desean estimar de manera simultanea más de una variable asociada, de ahí que la predicción con salidas múltiples ha tenido un punto de atención por la comunidad científica. El algoritmo de predicción con salidas múltiples GMLR, es una generalización a otros propuestos en la literatura y además, el empleo del método del Gradiente Proximal Acelerado en un esquema alternado, junto a una función objetivo bi-convexa permite obtener resultados prominentes a la vez que los supera en eficiencia. Sin embargo, un esquema equivalente a este modelo generalizado, son las redes neuronales artificiales tales como el perceptron multicapa MLP si se considera una arquitectura en la cual se tiene una neurona por cada variable de salida en la última capa de la red. En la presente investigación hemos considerado comparar los resultados obtenidos en términos de eficacia del modelo GMLR respecto a la red neuronal MLP mediante un estudio empírico de ambos algoritmos en en el contexto de la predicción con salidas múltiples.

##plugins.themes.bootstrap3.article.details##

Cómo citar
Camejo Corona, J., Gonzalez Diez, H., & Morell, C. (2020). Un estudio empírico del modelo de red neuronal MLP para problemas de predicción con salidas múltiples. Serie Científica De La Universidad De Las Ciencias Informáticas, 13(6), 1-14. Recuperado a partir de https://publicaciones.uci.cu/index.php/serie/article/view/578
Sección
Contenido