@phdthesis{22009,
author = "Pedro Antonio Guti{\'e}rrez",
abstract = "El Modelado de Sistemas (MS) consiste en cuantificar la relaci{\'o}n que existe entre una variable de respuesta o variable dependiente que resulta de inter{\'e}s y una serie de variables independientes o predictoras que est{\'a}n posiblemente relacionadas con dicha variable, {\'E}ste es uno de los problemas fundamentales tratados en Estad{\'i}stica: un problema que convencionalmente es diferenciado en dos tareas distintas, regresi{\'o}n y clasificaci{\'o}n, donde la regresi{\'o}n implica que la variable de respuesta es continua, mientras que la clasificaci{\'o}n es utilizada cuando dicha variable es categ{\'o}rica, nominal u ordinal. El resultado del proceso de MS es la generaci{\'o}n de modelos, es decir, de abstracciones de la realidad que pueden ser aplicadas tanto para predecir valores de la variable dependiente dados nuevos valores de las variables independientes, como para mejorar nuestra comprensi{\'o}n de la misma.

En ambos tipos problemas (clasificaci{\'o}n y regresi{\'o}n), el objetivo se centra en determinar una relaci{\'o}n funcional entre las variables predictoras y la variable (o variables) de respuesta. Tradicionalmente, la resoluci{\'o}n de estos problemas se ha abordado usando t{\'e}cnicas de optimizaci{\'o}n para minimizar una determinada funci{\'o}n de error, previo establecimiento por parte del investigador del tipo de modelo a aplicar. En general, no ser{\'a} posible determinar la relaci{\'o}n funcional sino es mediante el uso de un conjunto de datos de ejemplo. De esta forma, la relaci{\'o}n se modela en t{\'e}rminos de alguna funci{\'o}n matem{\'a}tica que contiene una serie de par{\'a}metros ajustables, cuyos valores se determinan con la ayuda de los datos. Una forma de aproximaci{\'o}n al MS pasa por considerar funciones lineales en la relaci{\'o}n causa-efecto (es decir, utilizar hiper-planos), pero, a pesar de su amplio uso y popularidad, los modelos lineales son habitualmente demasiado restrictivos para capturar de forma precisa la relaci{\'o}n que subyace en el problema.

El trabajo de investigaci{\'o}n desarrollado en la presente Tesis Doctoral aborda distintos enfoques para ir m{\'a}s all{\'a} de esta linealidad. De esta forma, supone un estudio sobre nuevos modelos no lineales, tanto de clasificaci{\'o}n como de regresi{\'o}n, capaces de superar las dificultades que los modelos lineales tradicionales encuentran cuando son enfrentados a problemas reales. En concreto, nos centraremos en la combinaci{\'o}n de distintas disciplinas de la Inteligencia Artificial y la Estad{\'i}stica, como son las Redes Neuronales Artificiales, la Computaci{\'o}n Evolutiva o la Regresi{\'o}n Log{\'i}stica.",
address = "C{\'e}sar Herv{\'a}s Mart{\'i}nez",
institution = "Universidad de Granada",
month = "Granada",
title = "{N}uevos {M}odelos de {R}edes {N}euronales {E}volutivas y {R}egresi{\'o}n {L}og{\'i}stica {G}eneralizada utilizando {F}unciones de {B}ase. {A}plicaciones",
year = "2009",
}