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
Los beneficios de comprar resúmenes en Stuvia estan en línea:
Garantiza la calidad de los comentarios
Compradores de Stuvia evaluaron más de 700.000 resúmenes. Así estas seguro que compras los mejores documentos!
Compra fácil y rápido
Puedes pagar rápidamente y en una vez con iDeal, tarjeta de crédito o con tu crédito de Stuvia. Sin tener que hacerte miembro.
Enfócate en lo más importante
Tus compañeros escriben los resúmenes. Por eso tienes la seguridad que tienes un resumen actual y confiable.
Así llegas a la conclusión rapidamente!
Preguntas frecuentes
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.
100% de satisfacción garantizada: ¿Cómo funciona?
Nuestra garantía de satisfacción le asegura que siempre encontrará un documento de estudio a tu medida. Tu rellenas un formulario y nuestro equipo de atención al cliente se encarga del resto.
Who am I buying this summary 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 this summary for 7,17 €. You're not tied to anything after your purchase.
