26,99 €
inkl. MwSt.
Versandkostenfrei*
Versandfertig in 6-10 Tagen
  • Broschiertes Buch

Regressão de Vetores de Suporte (SVR) é uma técnica estatística que tem a capacidade de resolver problemas complexos de forma eficaz. Entretanto, a eficacia da SVR depende da otimização dos seus parâmetros: e, taxa de erro entre os dados previsto e os vetores de suporte; C, valor de custo; e ¿, parâmetro da função de Kernel. Algoritmos de otimização são técnicas que têm como propósito otimizar parâmetros de funções a fim de minimizar ou maximar os valores dessas funções. Algoritmos de otimização mono-objetivo têm a finalidade de otimizar uma função, e.g., Otimização por Enxames de Partículas…mehr

Produktbeschreibung
Regressão de Vetores de Suporte (SVR) é uma técnica estatística que tem a capacidade de resolver problemas complexos de forma eficaz. Entretanto, a eficacia da SVR depende da otimização dos seus parâmetros: e, taxa de erro entre os dados previsto e os vetores de suporte; C, valor de custo; e ¿, parâmetro da função de Kernel. Algoritmos de otimização são técnicas que têm como propósito otimizar parâmetros de funções a fim de minimizar ou maximar os valores dessas funções. Algoritmos de otimização mono-objetivo têm a finalidade de otimizar uma função, e.g., Otimização por Enxames de Partículas (PSO) e Otimização por Cardumes de Peixes Artificias (FSS). Contudo, dado que a maioria dos problemas do mundo são para resolver prolemas com várias função objetivo, abordagens multi-objetivo vêm sendo utilizadas. Alguns das técnicas utilizados neste trabalho são, Algoritmo Evolucionário baseado no Pareto 2 (SPEA2) e Otimização Multi-objetivo baseado em Cardumes Artificiais (MOFSS). Coeficiente de Determinação Estatística (R²) e a Raiz do Erro Médio Quadrático (REMQ) foram utilizadas como funções objetivo, pois, em dados não paramétricas, essas métricas tendem a serem conflitantes entre si.