Procesos Gaussianos para problemas de regresión y estimación de la incertidumbre

Máster Universitario en Investigación e Innovación en Tecnologías de la Información y las Comunicaciones

Detalles Bibliográficos
Autor: Pompa Porras, Víctor de la
Tipo de recurso: tesis de maestría
Fecha de publicación:2018
País:España
Institución:Universidad Autónoma de Madrid
Repositorio:Biblos-e Archivo. Repositorio Institucional de la UAM
Idioma:español
OAI Identifier:oai:repositorio.uam.es:10486/685316
Acceso en línea:http://hdl.handle.net/10486/685316
Access Level:acceso abierto
Palabra clave:Procesos Gaussianos
Energía eólica
Informática
id ES_fdcd654724c76d48bc91c462090c3dc9
oai_identifier_str oai:repositorio.uam.es:10486/685316
network_acronym_str ES
network_name_str España
repository_id_str
dc.title.none.fl_str_mv Procesos Gaussianos para problemas de regresión y estimación de la incertidumbre
title Procesos Gaussianos para problemas de regresión y estimación de la incertidumbre
spellingShingle Procesos Gaussianos para problemas de regresión y estimación de la incertidumbre
Pompa Porras, Víctor de la
Procesos Gaussianos
Energía eólica
Informática
title_short Procesos Gaussianos para problemas de regresión y estimación de la incertidumbre
title_full Procesos Gaussianos para problemas de regresión y estimación de la incertidumbre
title_fullStr Procesos Gaussianos para problemas de regresión y estimación de la incertidumbre
title_full_unstemmed Procesos Gaussianos para problemas de regresión y estimación de la incertidumbre
title_sort Procesos Gaussianos para problemas de regresión y estimación de la incertidumbre
dc.creator.none.fl_str_mv Pompa Porras, Víctor de la
author Pompa Porras, Víctor de la
author_facet Pompa Porras, Víctor de la
author_role author
dc.contributor.none.fl_str_mv Dorronsoro Ibero, José Ramón
Departamento de Ingeniería Informática
Escuela Politécnica Superior
dc.subject.none.fl_str_mv Procesos Gaussianos
Energía eólica
Informática
topic Procesos Gaussianos
Energía eólica
Informática
description Máster Universitario en Investigación e Innovación en Tecnologías de la Información y las Comunicaciones
publishDate 2018
dc.date.none.fl_str_mv 2018
2018-09-01
dc.type.none.fl_str_mv master thesis
http://purl.org/coar/resource_type/c_bdcc
NA
http://purl.org/coar/version/c_be7fb7dd8ff6fe43
dc.type.openaire.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
dc.identifier.none.fl_str_mv http://hdl.handle.net/10486/685316
url http://hdl.handle.net/10486/685316
dc.language.none.fl_str_mv Español
spa
language_invalid_str_mv Español
language spa
dc.rights.none.fl_str_mv open access
http://purl.org/coar/access_right/c_abf2
dc.rights.openaire.fl_str_mv info:eu-repo/semantics/openAccess
rights_invalid_str_mv open access
http://purl.org/coar/access_right/c_abf2
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
dc.source.none.fl_str_mv reponame:Biblos-e Archivo. Repositorio Institucional de la UAM
instname:Universidad Autónoma de Madrid
instname_str Universidad Autónoma de Madrid
reponame_str Biblos-e Archivo. Repositorio Institucional de la UAM
collection Biblos-e Archivo. Repositorio Institucional de la UAM
repository.name.fl_str_mv
repository.mail.fl_str_mv
_version_ 1869425600162168832
spelling Procesos Gaussianos para problemas de regresión y estimación de la incertidumbrePompa Porras, Víctor de laProcesos GaussianosEnergía eólicaInformáticaMáster Universitario en Investigación e Innovación en Tecnologías de la Información y las ComunicacionesEn muchos problemas de regresión, surge la necesidad de no sólo predecir un valor, sino dar también un intervalo de confianza o incertidumbre, porque en el problema en cuestión las mediciones realizadas tengan ruido o las observaciones se vean influenciadas por otras que desconocemos o simplemente no podamos medir. Por ello, en este Trabajo Fin de Máster se estudiarán los procesos Gaussianos en regresión pues dan una distribución a la predicción, permitiéndonos calcular intervalos de incertidumbre. En este Trabajo Fin de Máster hemos realizado primero un estudio de algunos algoritmos de aprendizaje automático como la regresión lineal, los perceptrones multicapa, las SVR o la regresión lineal Bayesiana; esto nos ha permitido comparar y comprender mejor a los procesos Gaussianos. Posteriormente, hemos estudiado los procesos Gaussianos en regresión así como su hiperparametrización; además, hemos analizado y ampliado la teoría de los procesos Gaussianos censurados. Experimentalmente, nos interesa ver cómo de buena es la predicción de los procesos Gaussianos comparándola con otros algoritmos de aprendizaje automático y cómo de buenos son los intervalos que obtenemos con los procesos Gaussianos. Para ello hemos realizado los experimentos en dos problemas: la predicción de energía eólica en Sotavento, que es un parque eólico situado en Galicia y la predicción de energía eólica total en España peninsular. En resumen, hemos observado que la predicción de los procesos Gaussianos de media cero es un poco peor que la de una SVR; no obstante, hemos visto que la hiperparametrización del núcleo que hemos realizado para los procesos Gaussianos la podemos llevar a la SVR, permitiéndonos usar núcleos más complicados y reducir el coste computacional. En los intervalos de confianza, hemos visto que a los intervalos de incertidumbre del proceso Gaussiano les hacía falta una calibración y con ella obtenemos resultados buenos; también hemos visto que no merece la pena modelizar los intervalos de incertidumbre con los residuos de una SVR pues obtenemos unos resultados peores que con el proceso Gaussiano de manera directa. Finalmente, como resultado del TFM se ha obtenido la publicación Gaussian Process Kernels for Support Vector Regression in Wind Energy Prediction aceptada en el congreso IDEAL 2018.In many regression problems, we need not only to predict a value, but also give a con dence interval or uncertainty, because in the problem we're trying to solve, the measurements could have noise or the target variables are in uenced by variables that we do not know or we simply can not measure. For this reason, in this Master Thesis we have studied Gaussian Processes in regression since they give a distribution to the prediction, allowing us to calculate intervals of uncertainty. In this Master Thesis we rst have made a study of some machine learning algorithms such as linear regression, multilayer perceptrons, SVR or Bayesian linear regression; which has allowed us to compare and better understand Gaussian Processes. Subsequently, we have studied Gaussian Processes in regression as well as their hyperparametrization; in addition, we have analyzed and expanded the theory of censored Gaussian Processes. Experimentally, we were interested in rating how good is the prediction of Gaussian Processes by comparing it with other machine learning algorithms and how good were the intervals we obtain with Gaussian Processes. For this, we have done the experiments in two problems: the prediction of wind energy production in Sotavento, which is a wind farm located in Galicia and the prediction of the total wind energy production in Peninsular Spain. In summary, we have observed that the prediction of Gaussian Processes of zero mean is slightly worse than the prediction of a SVR; however, we have seen that the hyperparametrization of the kernel that we have made with Gaussian Processes, can be carried to the SVR, allowing us to use more complicated kernels and reduce the computational cost of SVR. In the con dence intervals, we have seen that the uncertainty intervals of Gaussian process needed a calibration and with it we obtained good results; we have also seen that it is not worth to model the intervals of uncertainty with the residuals of an SVR because we obtain worse results than with Gaussian process directly. Finally, as a result of this Master Thesis it will be published the following paper: Gaussian Process Kernels for Support Vector Regression in Wind Energy Prediction which is accepted in the IDEAL 2018 conference.Dorronsoro Ibero, José RamónDepartamento de Ingeniería InformáticaEscuela Politécnica Superior20182018-09-01master thesishttp://purl.org/coar/resource_type/c_bdccNAhttp://purl.org/coar/version/c_be7fb7dd8ff6fe43info:eu-repo/semantics/masterThesisapplication/pdfhttp://hdl.handle.net/10486/685316reponame:Biblos-e Archivo. Repositorio Institucional de la UAMinstname:Universidad Autónoma de MadridEspañolspaopen accesshttp://purl.org/coar/access_right/c_abf2info:eu-repo/semantics/openAccessoai:repositorio.uam.es:10486/6853162026-06-23T12:46:27Z
score 15.300719

Similares en LA Referencia