Optimización de los hiperparámetros de una máquina de regresión de soporte vectorial utilizando enjambre de partículas para el pronóstico de casos de COVID-19



Título del documento: Optimización de los hiperparámetros de una máquina de regresión de soporte vectorial utilizando enjambre de partículas para el pronóstico de casos de COVID-19
Revista: Investigación e innovación en ingenierías
Base de datos: PERIÓDICA
Número de sistema: 000445123
ISSN: 2344-8652
Autores: 1
1
1
Instituciones: 1Universidad Distrital "Francisco José de Caldas", Colombia
Año:
Volumen: 9
Número: 2
Paginación: 91-111
País: Colombia
Idioma: Español
Tipo de documento: Artículo
Enfoque: Teórico
Resumen en español Objetivo: Optimizar los hiperparámetros de una máquina de regresión de soporte vectorial mediante la adaptación de la metaheurística de enjambre de partículas para pronosticar la serie de tiempo del total de casos positivos acumulados de la reciente enfermedad COVID-19 en la ciudad de Bogotá, Colombia. Metodología: se plantea un algoritmo híbrido de regresión de soporte vectorial y optimización por enjambre de partículas para encontrar el valor óptimo de los hiperparámetros de una máquina de regresión de soporte vectorial que mejor rendimiento muestre en el pronóstico de la serie de tiempo. Se valida a través de una comparación de los valores reales con los predichos obtenidos por una máquina de regresión sin hiperparámetros optimizados, en términos de métricas de desempeño como el error cuadrático medio, error absoluto medio y coeficiente de determinación. Resultados: cualitativamente se verifica el rendimiento mediante los pronósticos obtenidos en la serie de tiempo; cuantitativamente, con un valor en el error cuadrático medio de 0,000045 y un coeficiente de determinación de 0,998884, el método propuesto presenta un mayor desempeño. Conclusiones: el algoritmo presentado y aplicado es útil para el pronóstico de series de tiempo; con este algoritmo se aporta al campo de investigación; finalmente se discute sobre la implementación de este método en el contexto epidemiológico
Resumen en inglés Objective: Hyper-parameter optimization of a vectorial-support regression machine via adaptation of metaheuristics of a particle swarm so that a prediction of the time series of the total amount of positive accumulated cases of COVID-19 in Bogotá, Colombia can be made. Methodology: a hybrid vectorial-support regression algorithm along with a particle-swarm based optimization are used to determine an optimal value for the hyper-parameters of a vectorial-support regression machine such that best performance is shown in the time series prediction. In order to validate the performance of the method, a comparison with a regression vectorial-support machine whose hyper-parameters have not been optimized will be made, being the metrics those of performance measurement like mean square error, mean absolute error, and determination coefficient. Results: The proposed method finds itself at a greater level of performance when the mean square error value is that of 0,000045 and the determination coefficient corresponds with the value of 0.998884. Conclusions: the presented and applied algorithm comes useful in order to predict time series; this algorithm is of ultimately great value to the research field; finally, implementation of this method in an epidemiological context is discussed
Disciplinas: Ciencias de la computación
Palabras clave: Algoritmo de colonia artificial de abejas,
Algoritmos heurísticos,
Bogotá,
COVID-19,
Heurística,
Pronóstico,
Series de tiempo
Keyword: Algorithms,
Bogota,
COVID-19,
Hyperparameters,
Public health,
Metaheuristics,
Time series
Texto completo: http://revistas.unisimon.edu.co/index.php/innovacioning/article/view/4475/5268