Modelos de regresión lineal con redes neuronales

• Autor: Menacho Chiok, Cesar Higinio
• Formato: artículo
• Fecha de Publicación: 2014
• Institución: Universidad Nacional Agraria La Molina
• Repositorio: Revistas - Universidad Nacional Agraria La Molina
• Lenguaje: español
• OAI Identifier: oai:revistas.lamolina.edu.pe:article/961
• Enlace del recurso: https://revistas.lamolina.edu.pe/index.php/acu/article/view/961
• Nivel de acceso: acceso abierto
• Materia: modelos de regresión lineal; redes neuronales; red neuronal perceptron; red neuronal multicapa.

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.