Selección de variables mediante regresiones penalizadas en grandes volúmenes de datos

Uno de los retos más importantes del análisis estadístico en esos grandes volúmenes de datos es detectar cuál es la información valiosa. Las regresiones regularizadas, tales como Lasso o SCAD son alternativas usua-les cuando los métodos usuales de selección de variables en los modelos linea-les res...

Descripción completa

Detalles Bibliográficos
Autor principal: Kovalevski, Leandro
Formato: Objeto de conferencia
Lenguaje:Español
Publicado: 2016
Materias:
Ciencias Informáticas
regresiones regularizadas
LASSO
SCAD
selección de predictores
Acceso en línea:http://sedici.unlp.edu.ar/handle/10915/56848
http://45jaiio.sadio.org.ar/sites/default/files/AGRANDA-14.pdf
Aporte de:
SEDICI (UNLP) de Universidad Nacional de La Plata
id I19-R120-10915-56848
record_format dspace
institution Universidad Nacional de La Plata
institution_str I-19
repository_str R-120
collection SEDICI (UNLP)
language Español
topic Ciencias Informáticas
regresiones regularizadas
LASSO
SCAD
selección de predictores
spellingShingle Ciencias Informáticas
regresiones regularizadas
LASSO
SCAD
selección de predictores
Kovalevski, Leandro
Selección de variables mediante regresiones penalizadas en grandes volúmenes de datos
topic_facet Ciencias Informáticas
regresiones regularizadas
LASSO
SCAD
selección de predictores
description Uno de los retos más importantes del análisis estadístico en esos grandes volúmenes de datos es detectar cuál es la información valiosa. Las regresiones regularizadas, tales como Lasso o SCAD son alternativas usua-les cuando los métodos usuales de selección de variables en los modelos linea-les resultan no apropiados o no aplicables. El objetivo de este trabajo es comparar el desempeño de las regresiones Lasso y SCAD en escenarios donde el número de variables importantes esté próximo al número de observaciones. Se simularon distintos conjuntos de datos en los cuales las variables respuestas son funciones lineales de varios predictores independientes y errores que se si-mulan con distribución normal. Las regresiones LASSO y SCAD se ofrecen como una alternativa válida para selección de variables con gran número de predictores, aunque pueden no ser las más adecuadas cuando la cantidad de efectos significativos se aproxima al número de observaciones.
format Objeto de conferencia
Objeto de conferencia
author Kovalevski, Leandro
author_facet Kovalevski, Leandro
author_sort Kovalevski, Leandro
title Selección de variables mediante regresiones penalizadas en grandes volúmenes de datos
title_short Selección de variables mediante regresiones penalizadas en grandes volúmenes de datos
title_full Selección de variables mediante regresiones penalizadas en grandes volúmenes de datos
title_fullStr Selección de variables mediante regresiones penalizadas en grandes volúmenes de datos
title_full_unstemmed Selección de variables mediante regresiones penalizadas en grandes volúmenes de datos
title_sort selección de variables mediante regresiones penalizadas en grandes volúmenes de datos
publishDate 2016
url http://sedici.unlp.edu.ar/handle/10915/56848
http://45jaiio.sadio.org.ar/sites/default/files/AGRANDA-14.pdf
work_keys_str_mv AT kovalevskileandro selecciondevariablesmedianteregresionespenalizadasengrandesvolumenesdedatos
bdutipo_str Repositorios
_version_ 1764820477707026434

Ejemplares similares