Análisis de Datos I

Análisis de Datos I

1. Análisis Supervisado

   • Análisis Discriminante
     • Variabilidad que existe entre grupos
       • Lineal
         • Validación cruzada: de manera automática mide lo bueno que es criterio que estamos usando.
           • Sin validación cruzada, evakuamos el modelo seleccionando de la muestra global, una submuestra de tipo entrenamiento y validación. SIN REEMPLAZAMIENTO
             • Matriz de clasificación con proporcion de aciertos y errores
               • Proporción global de acierto
                 • OJO, si es necesario ajustamos las probabilidades (Prior )
                   • Predicción de nuestos datos.
                     • Gráfico
       • Cuadrático
         • Solo se utiliza en caso de que matriz de varinzas covarianzas sean muy diferentes
   • Árboles de decisión
     • Reglas de decisión dicotómicas ó simples, solo se referían a ‘valor’, mayor o menor
       • Se mide el grado de impureza,, evaluando la calidad de una división. Las mas comunes son: GINI// ENTROPIA
         • OJO: Críterios de poda:
           • cp
             • Minsplit
               • Maxdepth
         • summary arbol ( variable importance sale en porcentajes )
           • RPART
   • Árbol de regresión
     • Y variable Continua
       • Se compara con el error cuadrático
         • Podar el árbol con CP
           • NROW
   • Redes Neuronales
     • Permite clasificación o regresión
       • Perceptrón simple
         • Dos capas (ENTRADA Y SALIDA)
           • Pesos o coeficientes de sinapsis
           • Función de activación:
             • Lineal
               • Para tres o más categorías
                 • Criterio de ajuste: SOFTMAX
                   • nnet (Species ~ ., iris, size = 0, skip = TRUE)
             • Logística
               • para respuesta dicótoma
                 • Crtiterio de ajuste: ENTROPÍA
                   • nnet (factor(am)~mpg, mtcars, size=0, skip=TRUE, trace=FALSE)
       • Multilayer:
         • Capa de entrda, oculta (s), salida
           • SKIP =TRUE , refiere a que la capa de entrada se puede comunicar de forma directa con la capa de salida
           • Críterio de ajuste: MÍNIMOS CUADRADOS
             • nnet (Species~., iris, size=2, skip=FALSE, trace = FALSE )
   • GLM// Regresión Lineal Generaliazada
     • GLM

2. Análisis NO supervisado

   • Análisis Clúster
     • * Método jerárquico, se clasifican los datos según características, teniendo en cuenta las distnaicas. Entre más cercanos son los puntos, más similitudes
       • ¿Cómo medimos las distancias?
         • Teniendo en cuenta la naturaleza de las variables
           • Binarias
             • Variables que toman valores 0 Y 1, La similitud se mide con la frecuencia relativa del número de coincidencias
               • La distancia asociada sera la proporcion de "NO COINCIDENCIAS"
                 • Euclidea // LanceWilliams
           • Cuantitativas
             • Para resolver el problema de dependencia de las unidades de las variables, se debe TIPIFICAR
               • Para resolver problema de unidades y correlación, se utiliza distancia de MAHANLANOBIS
                 • Distancia Euclídea
           • Frecuencias
             • Caracteristicas cualitativa, por ejemplo la presencia o ausencia
               • Distancia Chi cuadrado // Distancia Phi cuadrado
       • ¿Cómo clasificamos?
         • Método Jerarquico
           • Grupos con estructura arbrescente, como especies animales o vegetales
             • Distancia criterio centroide
               • ESFÉRICOS: Calcula distancia entre la medias
             • Criterío Salto minimo
               • GRUPOS IRREGULARES O ALARGADOS.
         • Método No Jerarquico
     • El objetivo es descubrir que individuos se comportan de manera similar, cuando esto sucede, decimos que es un grupo.
     • OJO, Cuando el número de variables es muy grande. DEBEMOS REUDIR LA DIMENSIÓN DEL PROBLEMA
       • ACP
     • Ojo si las variales estan MUY CORRELACIONADAS. Debemos evitar emplear información redundante:
     • Rstudio
       • Distancia euclidea;
         • distancia<- dist(df[-1], method= "Euclidean")
           • hclust(distancia, method = "median")
             • hclust(distancia, method = "single")
           • hclust(distancia, method = "centroid")
         • Clúester jerárquico
           • fit<- hclust (distancia, method = "ward.D2")
             • plot(fit, main = " method " )
           • Dividir la muestra en 3 clúster
             • grupos<-cutree(fit, k=3)
   • Reducción de dimensión
     • ACP
       • * Relaciones lineales. El objetivo de analizar y resumir las características de las variables. RESUMIR LA VARIABILIDAD TOTAL
         • ¿Son las unidades de medida de las variables homogéneas?
           • Matriz de Varianza Covarianza
           • Matriz de Correlación
             • Component variances (Salida de R. valores propios por encima de 1 )
     • Análisis de Correspondencia
       • Reducir la complejidad de los datos // Variables CATEGÓRICAS // Representación bidimensional a partir de tabla de contingencia ,
         • OJO COMO EXPLICA CADA EJE LA VARIABILIDAD
           • Rstudio
             • library (ca)
               • Análisis exploratorio
               • Frecuencias relativas por filas y columnas:
                 • as.matrix ( df)
                 • summary(prop.table(M,1))
                 • summary(prop.table(M,2))
               • Prueba Chi-Cuadrado de independencia, buscar una asosiación entre las variables categóricas
                 • chisq.test(df)
                   • P-valor < 0.05 == Las variables tienen una asociación estadísticamente significativa (Rechazar H0)
               • Análisis de correspondencia:
                 • fit <- ca ( Matrix)
                   • Summary ( fit )
                     • • • La primera componente tiene un valor de 55.33% Y la segunda inercia explica el 17.42 de la variabilidad. Se eviencia que la tercera representa un avariabilidad de 15.6% de manera que explica casi tanto como la segunda.
                     • plot(fit)

Imagens e arquivos do mapa