Seminario: Discrete choice modelling using Kernel Logistic Regression

Seminario en el grupo Transport and Mobility Laboratory (Transp-or) de la École polytechnique fédérale de Lausanne (EPFL), Lausana (Suiza).

Abstract

Durante los últimos años, los métodos de aprendizaje automático han ganado gran popularidad debido a su éxito en aplicaciones como los vehículos autónomos, los robots inteligentes, el reconocimiento de imágenes y de voz, etc. Esto ha llevado a un mayor uso de estos métodos y a un creciente interés por ampliar el ámbito de aplicación de estos métodos de aprendizaje automático, como por ejemplo en el campo de la modelización del transporte. Este seminario presenta uno de estos métodos, el Kernel Logistic Regression (KLR), desde el punto de vista de los modelos de utilidad aleatoria (RUM). El seminario presenta cómo el KLR puede utilizarse para especificar las utilidades en los modelos RUM, liberando al modelador de la necesidad de postular una relación funcional entre las características de los usuarios de antemano. Se lleva a cabo un estudio de simulación de Monte Carlo para comparar el KLR con el modelo Logit Multinomial y con dos de los métodos de aprendizaje automático más destacados: las máquinas de vectores de apoyo (SVM) y los random forest. Hemos comprobado que, en usando datos simulados, el KLR es el único método que alcanza la máxima precisión y conduce a un estimador insesgado del indicador willingness to pay los fenómenos no lineales. También hemos llevado a cabo un experimento con un problema real de elección de modo de viaje, en el que los random forests lograron la mayor precisión de predicción, seguidos por el KLR.