Métodos predictivos de data Mining en el control de procesos industriales
Entre los objetivos principales del análisis de datos en contextos industriales, aparece la predicción, es decir, identificar una función que permita predecir el valor de una respuesta de interés a partir de los valores que toman otras variables consideradas como potenciales predictores de esa respu...
Guardado en:
Autores principales: | , , |
---|---|
Otros Autores: | |
Formato: | conferenceObject documento de conferencia publishedVersion |
Lenguaje: | Español |
Publicado: |
2017
|
Materias: | |
Acceso en línea: | http://hdl.handle.net/2133/8894 http://hdl.handle.net/2133/8894 |
Aporte de: |
id |
I15-R121-2133-8894 |
---|---|
record_format |
dspace |
institution |
Universidad Nacional de Rosario |
institution_str |
I-15 |
repository_str |
R-121 |
collection |
Repositorio Hipermedial de la Universidad Nacional de Rosario (UNR) |
language |
Español |
orig_language_str_mv |
spa |
topic |
Árboles de decisión CART Regresión lineal Error de medición Error de predicción CART decision trees Linear regression Measurement error Prediction Error |
spellingShingle |
Árboles de decisión CART Regresión lineal Error de medición Error de predicción CART decision trees Linear regression Measurement error Prediction Error Dianda, Daniela Fernanda Quaglino, Marta Beatriz Pagura, José Alberto Métodos predictivos de data Mining en el control de procesos industriales |
topic_facet |
Árboles de decisión CART Regresión lineal Error de medición Error de predicción CART decision trees Linear regression Measurement error Prediction Error |
description |
Entre los objetivos principales del análisis de datos en contextos industriales, aparece la predicción, es decir, identificar una función que permita predecir el valor de una respuesta de interés a partir de los valores que toman otras variables consideradas como potenciales predictores de esa respuesta. Los grandes volúmenes de datos que la tecnología actual permite generar y almacenar han hecho necesario el desarrollo de técnicas de análisis alternativas a las tradicionales para lograr este objetivo, que permitan procesar y predecir la respuesta en tiempo real. Englobados bajo la denominación de Data Mining, muchos de estos nuevos métodos están basados en algoritmos automáticos originados mayormente en el ámbito informático. No obstante, la calidad de la información que alimenta a estos procedimientos sigue siendo un factor clave para asegurar la confiabilidad de los resultados. Con esta premisa es que en este trabajo se aborda el estudio del efecto que la presencia de fallas en los dispositivos de medición que originan la información, pueden causar sobre la capacidad predictiva de uno de los métodos disponibles, los árboles de decisión. Las medidas de eficiencia se definen a partir de la comparación con una técnica estadística tradicional, la regresión lineal múltiple. Los resultados señalan que la existencia de errores de medida tiene un efecto diferenciado sobre la capacidad predictiva de los árboles de decisión, según la naturaleza del error |
author2 |
Secretaría de Ciencia y Tecnología. Facultad de Ciencias Económicas y Estadística. Universidad Nacional de Rosario |
author_facet |
Secretaría de Ciencia y Tecnología. Facultad de Ciencias Económicas y Estadística. Universidad Nacional de Rosario Dianda, Daniela Fernanda Quaglino, Marta Beatriz Pagura, José Alberto |
format |
conferenceObject documento de conferencia publishedVersion |
author |
Dianda, Daniela Fernanda Quaglino, Marta Beatriz Pagura, José Alberto |
author_sort |
Dianda, Daniela Fernanda |
title |
Métodos predictivos de data Mining en el control de procesos industriales |
title_short |
Métodos predictivos de data Mining en el control de procesos industriales |
title_full |
Métodos predictivos de data Mining en el control de procesos industriales |
title_fullStr |
Métodos predictivos de data Mining en el control de procesos industriales |
title_full_unstemmed |
Métodos predictivos de data Mining en el control de procesos industriales |
title_sort |
métodos predictivos de data mining en el control de procesos industriales |
publishDate |
2017 |
url |
http://hdl.handle.net/2133/8894 http://hdl.handle.net/2133/8894 |
work_keys_str_mv |
AT diandadanielafernanda metodospredictivosdedataminingenelcontroldeprocesosindustriales AT quaglinomartabeatriz metodospredictivosdedataminingenelcontroldeprocesosindustriales AT pagurajosealberto metodospredictivosdedataminingenelcontroldeprocesosindustriales |
bdutipo_str |
Repositorios |
_version_ |
1764820413585555458 |