Modelos PCA a partir de conjuntos de datos con información faltante. ¿Se afectan sus propiedades?

Mostrar todas las versiones(2)

En este trabajo se aborda la problemática de la construcción de modelos PCA (Principal Component Analysis) a partir de conjuntos de datos con información faltante. Se trabaja sobre tres situaciones diferentes con relación a la matriz de datos originales. En cada situación se generaron pérdidas a tra...

Descripción completa

Guardado en:
Detalles Bibliográficos
Autores principales: Vitelleschi, María Susana, Marta Beatriz Quaglino, Directora:
Formato: Artículo revista
Lenguaje:Español
Publicado: Facultad de Ciencia Económicas y Estadísticaca - Universidad Nacional de Rosario 2010
Materias:
Mecanismos de Pérdidas
Algoritmo NIPALS
Algoritmo EM
Acceso en línea:https://saberes.unr.edu.ar/index.php/revista/article/view/39
Aporte de:
SaberEs de Universidad Nacional de Rosario
id I15-R211-article-39
record_format ojs
spelling I15-R211-article-392023-05-11T18:32:32Z Modelos PCA a partir de conjuntos de datos con información faltante. ¿Se afectan sus propiedades? Vitelleschi, María Susana Marta Beatriz Quaglino, Directora: Mecanismos de Pérdidas Algoritmo NIPALS Algoritmo EM En este trabajo se aborda la problemática de la construcción de modelos PCA (Principal Component Analysis) a partir de conjuntos de datos con información faltante. Se trabaja sobre tres situaciones diferentes con relación a la matriz de datos originales. En cada situación se generaron pérdidas a través de mecanismos aleatorios y no aleatorios, en diferentes porcentajes en una sola variable por vez, seleccionada mediante dos criterios: la que más contribuye y menos contribuye en la formación de la primera componente principal. A partir de cada conjunto de datos incompletos se construye el modelo PCA utilizando: Casos Completos, Nonlinear Iterative Partial Least Squares (NIPALS) y Expectation Maximization (EM). Se comparan los resultados con los obtenidos a través del conjunto de datos originales. Se definen una serie de medidas para estudiar cómo se afectan los resultados según la dimensión de la matriz de datos, el porcentaje y el mecanismo de pérdida, con relación a: bondad del ajuste, bondad de predicción, vectores cargas, ortonormalidad de la matriz de cargas y ortogonalidad de la matriz de “scores”. Facultad de Ciencia Económicas y Estadísticaca - Universidad Nacional de Rosario 2010-10-15 info:eu-repo/semantics/article info:eu-repo/semantics/publishedVersion Artículo no evaluado application/pdf text/html https://saberes.unr.edu.ar/index.php/revista/article/view/39 10.35305/s.v0i2.39 SaberEs; Núm. 2 (2010) 1852-4222 1852-4184 spa https://saberes.unr.edu.ar/index.php/revista/article/view/39/85 https://saberes.unr.edu.ar/index.php/revista/article/view/39/76
institution Universidad Nacional de Rosario
institution_str I-15
repository_str R-211
container_title_str SaberEs
language Español
format Artículo revista
topic Mecanismos de Pérdidas
Algoritmo NIPALS
Algoritmo EM
spellingShingle Mecanismos de Pérdidas
Algoritmo NIPALS
Algoritmo EM
Vitelleschi, María Susana
Marta Beatriz Quaglino, Directora:
Modelos PCA a partir de conjuntos de datos con información faltante. ¿Se afectan sus propiedades?
topic_facet Mecanismos de Pérdidas
Algoritmo NIPALS
Algoritmo EM
author Vitelleschi, María Susana
Marta Beatriz Quaglino, Directora:
author_facet Vitelleschi, María Susana
Marta Beatriz Quaglino, Directora:
author_sort Vitelleschi, María Susana
title Modelos PCA a partir de conjuntos de datos con información faltante. ¿Se afectan sus propiedades?
title_short Modelos PCA a partir de conjuntos de datos con información faltante. ¿Se afectan sus propiedades?
title_full Modelos PCA a partir de conjuntos de datos con información faltante. ¿Se afectan sus propiedades?
title_fullStr Modelos PCA a partir de conjuntos de datos con información faltante. ¿Se afectan sus propiedades?
title_full_unstemmed Modelos PCA a partir de conjuntos de datos con información faltante. ¿Se afectan sus propiedades?
title_sort modelos pca a partir de conjuntos de datos con información faltante. ¿se afectan sus propiedades?
description En este trabajo se aborda la problemática de la construcción de modelos PCA (Principal Component Analysis) a partir de conjuntos de datos con información faltante. Se trabaja sobre tres situaciones diferentes con relación a la matriz de datos originales. En cada situación se generaron pérdidas a través de mecanismos aleatorios y no aleatorios, en diferentes porcentajes en una sola variable por vez, seleccionada mediante dos criterios: la que más contribuye y menos contribuye en la formación de la primera componente principal. A partir de cada conjunto de datos incompletos se construye el modelo PCA utilizando: Casos Completos, Nonlinear Iterative Partial Least Squares (NIPALS) y Expectation Maximization (EM). Se comparan los resultados con los obtenidos a través del conjunto de datos originales. Se definen una serie de medidas para estudiar cómo se afectan los resultados según la dimensión de la matriz de datos, el porcentaje y el mecanismo de pérdida, con relación a: bondad del ajuste, bondad de predicción, vectores cargas, ortonormalidad de la matriz de cargas y ortogonalidad de la matriz de “scores”.
publisher Facultad de Ciencia Económicas y Estadísticaca - Universidad Nacional de Rosario
publishDate 2010
url https://saberes.unr.edu.ar/index.php/revista/article/view/39
work_keys_str_mv AT vitelleschimariasusana modelospcaapartirdeconjuntosdedatosconinformacionfaltanteseafectansuspropiedades
AT martabeatrizquaglinodirectora modelospcaapartirdeconjuntosdedatosconinformacionfaltanteseafectansuspropiedades
first_indexed 2023-05-11T18:32:49Z
last_indexed 2023-05-11T18:32:49Z
_version_ 1765631378743885824

Ejemplares similares