UNIVERSIDAD DE LA RIOJA
Postgrado al que pertenece: Máster Universitario en Inteligencia Artificial
Denominación de la asignatura: Técnicas de Aprendizaje Automático
Contenido: BLOQUE 1. Introducción al aprendizaje automático y al tratamiento de datos
Guía de Estudio: TEMA 3. Datos ausen...
UNIVERSIDAD DE LA RIOJA
Postgrado al que pertenece: Máster Universitario en Inteligencia Artificial
Denominación de la asignatura: Técnicas de Aprendizaje Automático
Contenido: BLOQUE 1. Introducción al aprendizaje automático y al tratamiento de datos
Guía de Estudio: TEMA 3. Datos ausentes y normalización
Guía de Estudio: Introducción al Aprendizaje Automático y al Tratamiento de Datos
Bloque 1. Introducción al Aprendizaje Automático y al Tratamiento de Datos
Tema 3. Datos Ausentes y Normalización
Introducción
El aprendizaje automático (AA) es una rama de la inteligencia artificial (IA) que se centra en el
desarrollo de algoritmos que permiten a las máquinas aprender de datos y tomar decisiones
basadas en ellos. Uno de los desafíos más comunes en el tratamiento de datos para AA es la
presencia de datos ausentes y la necesidad de normalizar los datos para mejorar la eficiencia y
precisión de los modelos. Este documento aborda en detalle los conceptos de datos ausentes y
normalización, sus características, ventajas y desventajas, así como recomendaciones prácticas
para su gestión.
Datos Ausentes
Definición: Los datos ausentes son aquellos valores que no están presentes en el conjunto de
datos. Estos pueden surgir por diversas razones, como errores en la recolección de datos, fallos
en los sensores, o datos no reportados.
Características:
Tipos de datos ausentes:
o MCAR (Missing Completely at Random): La ausencia de datos es completamente
aleatoria.
o MAR (Missing at Random): La ausencia de datos depende de otras variables
observadas.
o MNAR (Missing Not at Random): La ausencia de datos depende del valor no
observado.
Ventajas y Desventajas:
Ventajas:
o Permite identificar y corregir problemas en la recolección de datos.
o Facilita la imputación de valores faltantes para mejorar la integridad del conjunto de
datos.
Desventajas:
o La imputación incorrecta puede sesgar los resultados del modelo.
, o La presencia de muchos datos ausentes puede reducir la precisión del modelo.
Recomendaciones:
Imputación Simple: Sustituir los datos ausentes con la media, mediana o moda de los
datos observados.
Métodos Avanzados: Utilizar modelos predictivos para imputar datos ausentes, como K-
Nearest Neighbors (KNN) o regresión múltiple.
Análisis de Sensibilidad: Evaluar el impacto de los datos ausentes en los resultados del
modelo realizando análisis de sensibilidad.
Normalización
Definición: La normalización es el proceso de ajustar los valores de las variables para que estén
en una escala común, sin distorsionar las diferencias en los rangos de valores.
Características:
Escalado de Min-Max: Ajusta los valores a un rango específico (generalmente 0 a 1).
Estandarización: Ajusta los valores para que tengan una media de 0 y una desviación
estándar de 1.
Transformación Logarítmica: Utilizada para datos con distribuciones sesgadas.
Ventajas y Desventajas:
Ventajas:
o Mejora la convergencia de los algoritmos de optimización.
o Facilita la comparación entre diferentes variables.
o Reduce la sensibilidad a las escalas de las variables.
Desventajas:
o Puede perderse información valiosa si no se aplica correctamente.
o No siempre es necesario; depende del algoritmo de AA utilizado.
Recomendaciones:
Seleccionar el Método Apropiado: Basado en la distribución de los datos y el algoritmo
de AA.
Pruebas y Validación: Evaluar el impacto de la normalización en el rendimiento del
modelo mediante pruebas cruzadas y validación.
Automatización: Utilizar bibliotecas como scikit-learn en Python para aplicar técnicas de
normalización de manera eficiente y reproducible.
Conclusiones
La gestión adecuada de datos ausentes y la normalización son pasos críticos en el proceso de
preparación de datos para el aprendizaje automático. La imputación correcta de datos ausentes
The benefits of buying summaries with Stuvia:
Guaranteed quality through customer reviews
Stuvia customers have reviewed more than 700,000 summaries. This how you know that you are buying the best documents.
Quick and easy check-out
You can quickly pay through credit card or Stuvia-credit for the summaries. There is no membership needed.
Focus on what matters
Your fellow students write the study notes themselves, which is why the documents are always reliable and up-to-date. This ensures you quickly get to the core!
Frequently asked questions
What do I get when I buy this document?
You get a PDF, available immediately after your purchase. The purchased document is accessible anytime, anywhere and indefinitely through your profile.
Satisfaction guarantee: how does it work?
Our satisfaction guarantee ensures that you always find a study document that suits you well. You fill out a form, and our customer service team takes care of the rest.
Who am I buying these notes from?
Stuvia is a marketplace, so you are not buying this document from us, but from seller ma_medina. Stuvia facilitates payment to the seller.
Will I be stuck with a subscription?
No, you only buy these notes for $7.16. You're not tied to anything after your purchase.
