| Popis: |
espanolObjetivo: optimizar los hiperparametros de una maquina de regresion de soporte vectorial mediante la adaptacion de la metaheuristica de enjambre de particulas para pronosticar la serie de tiempo del total de casos positivos acumulados de la reciente enfermedad COVID-19 en la ciudad de Bogota, Colombia. Metodologia: se plantea un algoritmo hibrido de regresion de soporte vectorial y optimizacion por enjambre de particulas para encontrar el valor optimo de los hiperparametros de una maquina de regresion de soporte vectorial que mejor rendimiento muestre en el pronostico de la serie de tiempo. Se valida a traves de una comparacion de los valores reales con los predichos obtenidos por una maquina de regresion sin hiperparametros optimizados, en terminos de metricas de desempeno como el error cuadratico medio, error absoluto medio y coeficiente de determinacion. Resultados: cualitativamente se verifica el rendimiento mediante los pronosticos obtenidos en la serie de tiempo; cuantitativamente, con un valor en el error cuadratico medio de 0,000045 y un coeficiente de determinacion de 0,998884, el metodo propuesto presenta un mayor desempeno. Conclusiones: el algoritmo presentado y aplicado es util para el pronostico de series de tiempo; con este algoritmo se aporta al campo de investigacion; finalmente se discute sobre la implementacion de este metodo en el contexto epidemiologico. EnglishObjective: 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 Bogota, 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. |
