Show simple item record

dc.contributor.advisorGalindo Villardón, María Purificación
dc.contributor.advisorNieto Librero, Ana Belén 
dc.contributor.authorGonzález García, Nerea 
dc.contributor.authorTaborda Londoño, Alejandra
dc.date.accessioned2015-08-24T09:02:46Z
dc.date.available2015-08-24T09:02:46Z
dc.date.issued2015
dc.identifier.urihttp://hdl.handle.net/10366/126046
dc.descriptionTrabajo de Fin de Máster en Análisis Avanzado de Datos Multivariantes. Curso 2014-2015es_ES
dc.description.abstract[ES]El Análisis de Componentes principales es una de las técnicas más implementada en las etapas de pre-procesamiento o de reducción de la dimensión de matrices de datos. Su principal función es proyectar los datos de entrada en nuevas direcciones, conocidas como componentes principales (PCs), que absorban la mayor cantidad de información posible y así, poder eliminar aquellas variables que aporten menos variabilidad. Sin embargo, la interpretación de las PCs es complicada, pues resultan de la combinación lineal de todas las variables originales. Es por ello que surgen distintas formas de enfrentar esta problemática; como los conocidos métodos de rotación. En este trabajo, se presenta el Análisis de Componentes Principales Sparse (SPCA) como otra forma de solventar esta dificultad. Es un método de selección de variables características, intentando que gran parte de las cargas que definen las PCs sean nulas (cargas sparse). A partir de la búsqueda de bibliografía relevante, se redactará el estado del arte del SPCA, integrando los enfoques de maximización de la varianza y minimización del error en el SPCA. Profundamente, se enfocará la técnica a partir de la reformulación del PCA como problema de minimización del error, aprovechando los desarrollos de los modelos de regresión lineal e integrando restricciones típicas de estos, como la penalización Elastic net, para mejorar el análisis de datos. Se comienza entonces con la formulación del SPCA, los algoritmos e implicaciones en el análisis de datos, comparando diferencias entre las componentes principales clásicas, las soluciones rotadas y las soluciones sparse.es_ES
dc.format.extent107 p.
dc.format.mimetypeapplication/pdf
dc.languageEspañol
dc.language.isospaes_ES
dc.rightsAttribution-NonCommercial-NoDerivs 3.0 Unported
dc.rights.urihttps://creativecommons.org/licenses/by-nc-nd/3.0/
dc.subjectRidgees_ES
dc.subjectLassoes_ES
dc.subjectElastic netes_ES
dc.subjectSparsees_ES
dc.titleAnálisis de componentes principales Sparse : formulación, algoritmos e implicaciones en el análisis de datoses_ES
dc.typeinfo:eu-repo/semantics/masterThesises_ES
dc.typeinfo:eu-repo/semantics/masterThesises_ES
dc.subject.unesco1203.02 Lenguajes algorítmicoses_ES
dc.subject.unesco1203.04 Inteligencia artificiales_ES
dc.rights.accessRightsinfo:eu-repo/semantics/openAccess


Files in this item

Thumbnail

This item appears in the following Collection(s)

Show simple item record

Attribution-NonCommercial-NoDerivs 3.0 Unported
Except where otherwise noted, this item's license is described as Attribution-NonCommercial-NoDerivs 3.0 Unported