Aproximación de distribuciones de expresiones matemáticas cerradas para regresión simbólica

Identificador:  TFG:9494

Handle: https://hdl.handle.net/20.500.11797/TFG9494

Autores:  Nabaza Ruibal, Leonel Fernando

Resumen:
Esta tesis presenta un nuevo enfoque para mejorar el muestreo de modelos de regresión simbólica mediante la introducción del árbol de probabilidad, una estructura que muestrea expresiones basándose en distribuciones específicas de cada nodo. Utilizando un Científico de Máquinas Bayesianas (BMS), el árbol se entrena con modelos tanto del BMS como del propio árbol, minimizando la divergencia de Kullback-Leibler entre las longitudes de descripción y las probabilidades asignadas. Los resultados muestran que el árbol aprende eficazmente a guiar el muestreo de expresiones, lo que permite una exploración más eficiente del espacio de modelos. Esto sugiere que los árboles de probabilidad son una alternativa prometedora o un complemento a las técnicas tradicionales de regresión simbólica.