Algoritmos online baseados em vetores suporte para regressão clássica e ortogonal

dc.contributorFonseca Neto, Raul
dc.contributorhttp://buscatextual.cnpq.br/buscatextual/visualizacv.do?id=K4786482Y2
dc.contributorLeite, Saul de Castro
dc.contributorhttp://buscatextual.cnpq.br/buscatextual/visualizacv.do?id=K4758014Z7
dc.contributorArbex, Wagner Antônio
dc.contributorhttp://buscatextual.cnpq.br/buscatextual/visualizacv.do?id=K4782640E7
dc.contributorBorges, Carlos Cristiano Hasenclever
dc.contributorhttp://buscatextual.cnpq.br/buscatextual/visualizacv.do?id=K4728257U5
dc.contributorMeira Junior, Wagner
dc.contributorhttp://buscatextual.cnpq.br/buscatextual/visualizacv.do?id=K4798498T5
dc.creatorSouza, Roberto Carlos Soares Nalon Pereira
dc.date2017-06-01T11:51:04Z
dc.date2017-05-30
dc.date2017-06-01T11:51:04Z
dc.date2013-02-21
dc.date.accessioned2023-09-29T15:46:25Z
dc.date.available2023-09-29T15:46:25Z
dc.identifierhttps://repositorio.ufjf.br/jspui/handle/ufjf/4789
dc.identifier.urihttps://repositorioslatinoamericanos.uchile.cl/handle/2250/9131833
dc.descriptionIn this work, we introduce a new formulation for orthogonal regression. The problem is defined as minimization of the empirical risk with respect to a tube loss function de veloped for orthogonal regression, named ρ-insensitive. The method is constructed via an stochastic gradient descent approach. The algorithm can be used in primal or in dual variables. The latter formulation allows the introduction of kernels and soft margins. To the best of our knowledge, this is the first method that allows the introduction of kernels via the so-called “kernel-trick” for orthogonal regression. Also, we present an algorithm to solve the classical regression problem using the ε-insensitive loss function. A conver gence proof that guarantees a finite number of updates is presented for this algorithm. In addition, an incremental strategy algorithm is introduced, which can be used to find sparse solutions and also an approximation to the “minimal tube” containing the data. Numerical experiments are shown and the results compared with other methods.
dc.descriptionNeste trabalho apresenta-se uma nova formulação para regressão ortogonal. O problema é definido como a minimização do risco empírico em relação a uma função de perda com tubo desenvolvida para regressão ortogonal, chamada ρ-insensível. Um algoritmo para resolver esse problema é proposto, baseado na abordagem da descida do gradiente estocástica. Quando formulado em variáveis duais o método permite a introdução de funções kernel e flexibilidade do tubo. Até onde se sabe, este é o primeiro método que permite a introdução de kernels, através do chamado “kernel-trick”, para regressão ortogonal. Apresenta-se ainda um algoritmo para regressão clássica que usa a função de perda ε-insensível e segue também a abordagem da descida do gradiente. Para esse algo ritmo apresenta-se uma prova de convergência que garante um número finito de correções. Finalmente, introduz-se uma estratégia incremental que pode ser usada acoplada com ambos os algoritmos para obter soluções esparsas e também uma aproximação para o “tubo mínimo”que contém os dados. Experimentos numéricos são apresentados e os resultados comparados a outros métodos da literatura.
dc.descriptionCAPES - Coordenação de Aperfeiçoamento de Pessoal de Nível Superior
dc.formatapplication/pdf
dc.languagepor
dc.publisherUniversidade Federal de Juiz de Fora (UFJF)
dc.publisherBrasil
dc.publisherICE – Instituto de Ciências Exatas
dc.publisherPrograma de Pós-graduação em Ciência da Computação
dc.publisherUFJF
dc.rightsAcesso Aberto
dc.subjectRegressão ortogonal
dc.subjectMétodos Kernel
dc.subjectAlgoritmos online
dc.subjectMáquinas de vetores suporte
dc.subjectOrthogonal Regression
dc.subjectKernel Methods
dc.subjectOnline Algorithms
dc.subjectSupport Vector Machines
dc.subjectCNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO
dc.titleAlgoritmos online baseados em vetores suporte para regressão clássica e ortogonal
dc.typeDissertação


Este ítem pertenece a la siguiente institución