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

Autores/as

  • María Susana Vitelleschi
  • Directora: Marta Beatriz Quaglino

DOI:

https://doi.org/10.35305/s.v0i2.39

Palabras clave:

Mecanismos de Pérdidas, Algoritmo NIPALS, Algoritmo EM

Resumen

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”.

Descargas

Publicado

2010-10-15

Cómo citar

Vitelleschi, M. S., & Marta Beatriz Quaglino, D. (2010). Modelos PCA a partir de conjuntos de datos con información faltante. ¿Se afectan sus propiedades?. SaberEs, (2). https://doi.org/10.35305/s.v0i2.39

Número

Sección

Recensiones de Tesis