Análisis de métodos de validación cruzada para la obtención robusta de parámetros biofísicos
Los métodos de regresión no paramétricos son una gran herramienta estadística para obtener parámetros biofísicos a partir de medidas realizadas mediante teledetección. Pero los resultados obtenidos se pueden ver afectados por los datos utilizados en la fase de entrenamiento del modelo. Para asegurar...
| Main Authors: | , , , |
|---|---|
| Format: | Article |
| Language: | English |
| Published: |
Universitat Politècnica de València
2015-12-01
|
| Series: | Revista de Teledetección |
| Subjects: | |
| Online Access: | http://polipapers.upv.es/index.php/raet/article/view/4153 |
| _version_ | 1826908779176787968 |
|---|---|
| author | Ll. Pérez-Planells J. Delegido J. P. Rivera-Caicedo J. Verrelst |
| author_facet | Ll. Pérez-Planells J. Delegido J. P. Rivera-Caicedo J. Verrelst |
| author_sort | Ll. Pérez-Planells |
| collection | DOAJ |
| description | Los métodos de regresión no paramétricos son una gran herramienta estadística para obtener parámetros biofísicos a partir de medidas realizadas mediante teledetección. Pero los resultados obtenidos se pueden ver afectados por los datos utilizados en la fase de entrenamiento del modelo. Para asegurarse de que los modelos son robustos, se hace uso de varias técnicas de validación cruzada. Estas técnicas permiten evaluar el modelo con subconjuntos de la base de datos de campo. Aquí, se evalúan dos tipos de validación cruzada en el desarrollo de modelos de regresión no paramétricos: hold-out y k-fold. Los métodos de regresión lineal seleccionados fueron: Linear Regression (LR) y Partial Least Squares Regression (PLSR). Y los métodos no lineales: Kernel Ridge Regression (KRR) y Gaussian Process Regression (GPR). Los resultados de la validación cruzada mostraron que LR ofrece los resultados más inestables, mientras KRR y GPR llevan a resultados más robustos. Este trabajo recomienda utilizar algoritmos de regresión no lineales (como KRR o GPR) combinando con la validación cruzada k-fold con un valor de k igual a 10 para hacer la estimación de una manera robusta. |
| first_indexed | 2024-12-21T03:47:09Z |
| format | Article |
| id | doaj.art-387b0a26f60b4433a4586550884cb923 |
| institution | Directory Open Access Journal |
| issn | 1133-0953 1988-8740 |
| language | English |
| last_indexed | 2025-02-17T09:30:28Z |
| publishDate | 2015-12-01 |
| publisher | Universitat Politècnica de València |
| record_format | Article |
| series | Revista de Teledetección |
| spelling | doaj.art-387b0a26f60b4433a4586550884cb9232025-01-02T10:58:14ZengUniversitat Politècnica de ValènciaRevista de Teledetección1133-09531988-87402015-12-01044556510.4995/raet.2015.41533300Análisis de métodos de validación cruzada para la obtención robusta de parámetros biofísicosLl. Pérez-Planells0J. Delegido1J. P. Rivera-Caicedo2J. Verrelst3Universitat de ValenciaUniversitat de ValenciaUniversitat de ValenciaUniversitat de ValenciaLos métodos de regresión no paramétricos son una gran herramienta estadística para obtener parámetros biofísicos a partir de medidas realizadas mediante teledetección. Pero los resultados obtenidos se pueden ver afectados por los datos utilizados en la fase de entrenamiento del modelo. Para asegurarse de que los modelos son robustos, se hace uso de varias técnicas de validación cruzada. Estas técnicas permiten evaluar el modelo con subconjuntos de la base de datos de campo. Aquí, se evalúan dos tipos de validación cruzada en el desarrollo de modelos de regresión no paramétricos: hold-out y k-fold. Los métodos de regresión lineal seleccionados fueron: Linear Regression (LR) y Partial Least Squares Regression (PLSR). Y los métodos no lineales: Kernel Ridge Regression (KRR) y Gaussian Process Regression (GPR). Los resultados de la validación cruzada mostraron que LR ofrece los resultados más inestables, mientras KRR y GPR llevan a resultados más robustos. Este trabajo recomienda utilizar algoritmos de regresión no lineales (como KRR o GPR) combinando con la validación cruzada k-fold con un valor de k igual a 10 para hacer la estimación de una manera robusta.http://polipapers.upv.es/index.php/raet/article/view/4153Hold-OutK-foldValidación cruzadaAprendizaje automáticoProcesos gausianosRegresión de Kernel Ridge |
| spellingShingle | Ll. Pérez-Planells J. Delegido J. P. Rivera-Caicedo J. Verrelst Análisis de métodos de validación cruzada para la obtención robusta de parámetros biofísicos Revista de Teledetección Hold-Out K-fold Validación cruzada Aprendizaje automático Procesos gausianos Regresión de Kernel Ridge |
| title | Análisis de métodos de validación cruzada para la obtención robusta de parámetros biofísicos |
| title_full | Análisis de métodos de validación cruzada para la obtención robusta de parámetros biofísicos |
| title_fullStr | Análisis de métodos de validación cruzada para la obtención robusta de parámetros biofísicos |
| title_full_unstemmed | Análisis de métodos de validación cruzada para la obtención robusta de parámetros biofísicos |
| title_short | Análisis de métodos de validación cruzada para la obtención robusta de parámetros biofísicos |
| title_sort | analisis de metodos de validacion cruzada para la obtencion robusta de parametros biofisicos |
| topic | Hold-Out K-fold Validación cruzada Aprendizaje automático Procesos gausianos Regresión de Kernel Ridge |
| url | http://polipapers.upv.es/index.php/raet/article/view/4153 |
| work_keys_str_mv | AT llperezplanells analisisdemetodosdevalidacioncruzadaparalaobtencionrobustadeparametrosbiofisicos AT jdelegido analisisdemetodosdevalidacioncruzadaparalaobtencionrobustadeparametrosbiofisicos AT jpriveracaicedo analisisdemetodosdevalidacioncruzadaparalaobtencionrobustadeparametrosbiofisicos AT jverrelst analisisdemetodosdevalidacioncruzadaparalaobtencionrobustadeparametrosbiofisicos |