• español
  • English
  • français
  • Deutsch
  • português (Brasil)
  • italiano
    • español
    • English
    • français
    • Deutsch
    • português (Brasil)
    • italiano
    • español
    • English
    • français
    • Deutsch
    • português (Brasil)
    • italiano
    JavaScript is disabled for your browser. Some features of this site may not work without it.

    Listar

    Todo UVaDOCComunidadesPor fecha de publicaciónAutoresMateriasTítulos

    Mi cuenta

    Acceder

    Estadísticas

    Ver Estadísticas de uso

    Compartir

    Ver ítem 
    •   UVaDOC Principal
    • TRABAJOS FIN DE ESTUDIOS
    • Trabajos Fin de Grado UVa
    • Ver ítem
    •   UVaDOC Principal
    • TRABAJOS FIN DE ESTUDIOS
    • Trabajos Fin de Grado UVa
    • Ver ítem
    • español
    • English
    • français
    • Deutsch
    • português (Brasil)
    • italiano

    Exportar

    RISMendeleyRefworksZotero
    • edm
    • marc
    • xoai
    • qdc
    • ore
    • ese
    • dim
    • uketd_dc
    • oai_dc
    • etdms
    • rdf
    • mods
    • mets
    • didl
    • premis

    Citas

    Por favor, use este identificador para citar o enlazar este ítem:http://uvadoc.uva.es/handle/10324/38298

    Título
    Métodos de selección de variables en clustering y análisis discriminante
    Autor
    Calvo Magaz, Luis Miguel
    Director o Tutor
    Mayo Iscar, AgustínAutoridad UVA
    Editor
    Universidad de Valladolid. Facultad de CienciasAutoridad UVA
    Año del Documento
    2019
    Titulación
    Grado en Estadística
    Resumen
    Hoy en día es muy común en cualquier disciplina el querer identificar las características de un conjunto de individuos que permita diferenciar y separar a los mismos en dos o más grupos para posteriormente poder clasificar nuevos casos de individuos como pertenecientes a un grupo u otro, desde la medicina para saber si un medicamento va a ser beneficioso para cierto paciente dadas sus características físicas e historial clínico, a la educación para saber si cierto alumno va a ser capaz de aprobar una asignatura determinada dado su historial académico. Tradicionalmente esta discriminación en grupos se ha hecho en base a la experiencia u otros criterios poco fiables y sin ninguna razón de peso, por ello se han desarrollado técnicas estadísticas de Análisis discriminante que permiten detectar qué variables son realmente relevantes para la discriminación de los grupos y en qué medida. Sin embargo, a la hora de la práctica, existen muchas situaciones en las cuales el número de variables de los individuos es incluso superior al número de individuos, en estas condiciones los métodos tradicionales de análisis discriminante no son capaces de realizar buenas predicciones de clase puesto que tienen demasiadas variables explicativas. En estas situaciones son donde se pueden aplicar los métodos de selección de variables que prescindirían de las variables inútiles que sólo generarían ruido y las variables redundantes cuya información ya está explicada por otras variables del modelo, reduciendo así el número de variables del modelo a sólo las imprescindibles y la complejidad del mismo para que los métodos de análisis discriminante puedan realizar la separación eficientemente. En este trabajo de Fin de Grado se explorarán las diversas técnicas de análisis discriminante y selección de variables y se pondrán a prueba tanto teórica como prácticamente hasta encontrar los métodos que mejor funcionen según diversos escenarios propuestos.
    Palabras Clave
    Estadística
    Análisis discriminante
    Sparsity
    Random forest
    Idioma
    spa
    URI
    http://uvadoc.uva.es/handle/10324/38298
    Derechos
    openAccess
    Aparece en las colecciones
    • Trabajos Fin de Grado UVa [30857]
    Mostrar el registro completo del ítem
    Ficheros en el ítem
    Nombre:
    TFG-G3624.pdf
    Tamaño:
    2.612Mb
    Formato:
    Adobe PDF
    Thumbnail
    Visualizar/Abrir
    Attribution-NonCommercial-NoDerivatives 4.0 InternacionalLa licencia del ítem se describe como Attribution-NonCommercial-NoDerivatives 4.0 Internacional

    Universidad de Valladolid

    Powered by MIT's. DSpace software, Version 5.10