Modelado de problemas de regresión lineal con el método Cuasi-Newton

Autores/as

  • Eddy Jackeline Rodríguez Universidad del Zulia

Palabras clave:

Método Cuasi-Newton, modelado de problemas de regresión, coeficientes de regresión.

Resumen

El método de Newton es ampliamente utilizado en las áreas afines a las matemáticas, en especial; en situaciones que involucran problemas de optimización donde el objetivo es encontrar el mínimo de una función; sin embargo; en su expresión pura, tiene como limitante el cálculo de la inversa de la matriz de los datos, es por esto, que se ha desarrollado modificaciones al método de Newton, denominándose método Cuasi-Newton. En este trabajo se aplica el método Cuasi-Newton para modelar problemas de regresión lineal, considerando como función objetivo la minimización del error para el ajuste del modelo mediante los coeficientes de regresión. Se aplica específicamente el método propuesto por Davidon-Fletcher-Powell, por tener éste la cualidad de heredar la definición positiva, lo que facilita el cálculo de la inversa de una matriz. La metodología empleada en esta investigación es teórica-práctica donde la revisión teórica parte de la consulta de autores especialistas tales como: Boulesteix A., Strimmer K. [1], Geladi P., Kowalski B. [2], Luenberger, D. [3], Hoskuldsson A. [4], Rodríguez, E. [5]. Los resultados de los ejemplos creados experimentalmente y de los reales demuestran que el modelo de problemas de regresión lineal aplicando el método cuasi Newton es eficiente.

 

Descargas

Los datos de descarga aún no están disponibles.

Referencias

Boulesteix A., Strimmer K. (2006). Partial Least Squares: a versatile tool for the analysis of highdimensional genomic data. Briefings in Bioinformatics Vol. 8 No. 1 p 32-44.

Geladi P., Kowalski B. (1986). Partial Least- Squares Regresión: A Tutorial. Elsevier Science Publishers B V. p 1-17

Luenberger D. E. (1989). Programación Lineal y no Lineal. Addison – Wesley Iberoamericana, S. A. p. 499.

Hoskuldsson A. (1998). PLS Regression Methods. Journal of Chemometrics. Vol. 2. p. 211-228

Rodríguez, E. (2012). Mínimos Cuadrados Parciales con el Descenso de Mayor Pendiente. Maracaibo, Venezuela. Fondo Editorial Biblioteca Universidad Rafael Urdaneta. N° 3.

Mardia K., Kent J., & Bibby J. Multivariate analysis. Academic Press. (1979).

Bühlmann P., Hothorn T. (2007). Boosting Algorithms: Regularization, Prediction and Model Fitting. Statistical Science. Vol. 22 No 4. p. 477- 505. Recuperado de http://www.cs.princeton.edu/~schapire/boost.html.

Cuadras C.M. (1991). Métodos de Análisis Multivariante. Promociones y Publicaciones Universitarias, S. A. p. 1115

Krämer N., Boulesteix A., & Tutz G. (2008). Penalized Partial Least Squares with Application to B-Spline Transformation and Functional Data. p. 1-26. Recuperado de http://www.wias-berlin.de/kraemer/papers/chemo_ppls.pdf .

Descargas

Publicado

2015-01-01

Número

Sección

Artículos de investigación

Cómo citar

Modelado de problemas de regresión lineal con el método Cuasi-Newton. (2015). Revista Tecnocientífica URU, 8, 69-78. https://ojs.uru.edu/index.php/tecnocientificauru/article/view/rodriguezn8a15

Artículos similares

1-10 de 165

También puede Iniciar una búsqueda de similitud avanzada para este artículo.