Comparación por simplicidad de métodos de aprendizaje en estimación de funciones

Uno de los problemas que resuelven los sistemas inteligentes consiste en la estimación de funciones, para lo cual se parte de un número finito de datos de un proceso y el objetivo es encontrar la función que mejor los modela. Dentro de los métodos de aprendizaje, los métodos de optimización, como el descenso de gradiente y el gradiente conjugado, han sido tradicionalmente utilizados en este tipo de problemas, con ventajas como la sencillez en los primeros y la rapidez de convergencia en los segundos. De acuerdo con el principio de simplicidad, se escoge el método que sea más sencillo, pero a la vez el más preciso, de tal forma que ninguno de los dos puede a priori considerarse rotundamente mejor que el otro, porque no satisface simultáneamente las dos condiciones. En este trabajo se evalúan los dos métodos en la estimación de funciones lineales y cuadráticas y se proponen mejoras con el objetivo de proporcionar un método que sea el mejor en términos de "simplicidad"