PREDICCIÓN DE SERIES TEMPORALES CLIMATOLÓGICAS USANDO MÁQUINAS DE SOPORTE VECTORIAL
Ing. Miguel Ángel Murcia Palacio
INGENIERIA ELECTRÓNICA
SEDE CARTAGO
CONTENIDO
ING. MIGUEL A. MURCIA
2
DESCRIPCIÓN DEL PROBLEMA
Miguel A. Murcia
�DESCRIPCIÓN DEL PROBLEMA
Miguel A. Murcia
�DESCRIPCIÓN DEL PROBLEMA
Miguel A. Murcia
DESCRIPCIÓN DEL PROBLEMA
Miguel A. Murcia
“
¿Es posible implementar un sistema de algoritmos de predicción a corto plazo con máquinas de soporte vectorial, utilizando las series de tiempo generadas por una estación climatológica con las variables temperatura, humedad relativa, viento (velocidad y dirección) y precipitación?
IDENTIFICACIÓN DE LAS CARACTERÍSTICAS DE LOS DATOS
Miguel A. Murcia
“
IDENTIFICACIÓN DE LAS CARACTERÍSTICAS DE LOS DATOS
Miguel A. Murcia
“
IDENTIFICACIÓN DE LAS CARACTERÍSTICAS DE LOS DATOS
Miguel A. Murcia
“
IDENTIFICACIÓN DE LAS CARACTERÍSTICAS DE LOS DATOS
Miguel A. Murcia
“
IDENTIFICACIÓN DE LAS CARACTERÍSTICAS DE LOS DATOS
Miguel A. Murcia
“
IDENTIFICACIÓN DE LAS CARACTERÍSTICAS DE LOS DATOS
Miguel A. Murcia
“
La mayoría no son señales con Distribución Normal, ni monótona.
No Se puede emplear Pearson y Spearman.
�APRENDIZAJE AUTOMÁTICO O MACHINE LEARNING
Miguel A. Murcia
“Se dice que un programa de computadora aprende de las experiencias E con respecto a alguna tarea T y alguna medida de rendimiento P, si su rendimiento en T, medido por P, mejora con la experiencia E”
Tom Mitchell
�APRENDIZAJE AUTOMÁTICO O MACHINE LEARNING
Miguel A. Murcia
El Aprendizaje de Maquina implica la realización de una serie de etapas que se muestran
Preprocesamiento de datos: Completan datos faltantes, normalización y sustitución de los datos inconsistentes.
�APRENDIZAJE AUTOMÁTICO O MACHINE LEARNING
Miguel A. Murcia
Separación en conjuntos de entrenamiento y pruebas: Separación se hacer 70%-30%.
Configuración del modelo: Se determinan los Hiperparámetros del algoritmo de aprendizaje. EJEMPLO: Iteraciones y tasas de aprendizaje.
Entrenamiento del Modelo: En esta etapa se entrega los datos de entrenamiento (70%) al algoritmo de aprendizaje.
Predicción: Modelo se debe analizar el nivel de predicción de este, logra probando con los datos reservados para la validación (30%).
Evaluación: Consiste en evaluar la salida entregada por el modelo.
�APRENDIZAJE AUTOMÁTICO O MACHINE LEARNING
Miguel A. Murcia
Exportación: El modelo final puede ser implementado en su sistema embebido basado en un Procesador, Microcontrolador, FPGA, SOPC, o cualquier sistema de cómputo.
�APRENDIZAJE SUPERVISADO
Miguel A. Murcia
El aprendizaje supervisado emplea datos etiquetados, llamados datos de entrenamiento, para construir un modelo predictivo, a fin de predecir la etiqueta de datos sin etiquetar. Se distinguen dos tipos: Regresión y Clasificación.
MAQUINAS DE SOPORTE VECTORIAL (SVM)
Miguel A. Murcia
Son un conjunto de algoritmos de aprendizaje estadístico supervisado pertenecientes a la familia de los clasificadores lineales desarrollados por Vladimir Vapnik y su equipo en los laboratorios AT&T entorno a 1995.
MAQUINAS DE SOPORTE VECTORIAL (SVM)
Miguel A. Murcia
Para el caso de la regresión, entonces se establece un margen de tolerancia (epsilon) cerca del vector con el fin de minimizar el error tomando en cuenta que parte de ese error es tolerado.
�RESULTADOS
Miguel A. Murcia
ARBOL DE DESICIONES
BOSQUE ALEATORIO (RANDOM FOREST)
REDES NEURONALES (PERCEPTRON MULTICAPA)
�RESULTADOS
Miguel A. Murcia
MAQUINAS DE SOPORTE VECTORIAL (MSV)
¿PREGUNTAS?�
ING. MIGUEL A. MURCIA
22