Selección de variables en problemas anchos con alta correlación

dc.contributorGranitto, Pablo M.
dc.creatorDi Masso, Mauro
dc.date2014-10-02T13:36:59Z
dc.date2014-10-02T13:36:59Z
dc.date2014-05-16
dc.date2014-10-02T13:36:59Z
dc.date2014-10-02T13:36:59Z
dc.date2014-05-16
dc.date.accessioned2019-05-17T20:07:06Z
dc.date.available2019-05-17T20:07:06Z
dc.identifierhttp://www.fceia.unr.edu.ar/lcc/t523/
dc.identifierhttp://hdl.handle.net/2133/3553
dc.identifierhttp://hdl.handle.net/2133/3553
dc.identifier.urihttp://repositorioslatinoamericanos.uchile.cl/handle/2250/2676812
dc.descriptionEl aprendizaje automatizado es un área de la inteligencia artificial que ha estado en auge desde hace ya varios años. Su utilidad en la creación de modelos de predicción en base a observaciones ha generado el surgimiento de múltiples métodos de entrenamiento. Sin embargo, la complejidad de los problemas de hoy en día los hace impracticables por el mero número de variables en juego (problemas anchos). Los métodos de selección de variables ayudan a corregir esto eliminando de la ecuación variables irrelevantes y redundantes que dificultan tanto el modelado como su interpretación. En esta tesina se analiza la problemática de la correlación entre variables en problemas anchos considerando algoritmos recientes y se presenta uno propio, teniendo no sólo en cuenta la selección de variables independientes y relevantes sino también la estabilidad de la misma.
dc.formatapplication/pdf
dc.languagespa
dc.publisherFacultad de Ciencias Exactas, Ingeniería y Agrimensura. Universidad Nacional de Rosario
dc.rightsopenAccess
dc.subjectaprendizaje automatizado
dc.subjectselección de variables
dc.subjectestabilidad
dc.subjectrfe
dc.subjectsrfe
dc.titleSelección de variables en problemas anchos con alta correlación
dc.typeTesis
dc.typetesis de grado
dc.typeArtículos de revistas


Este ítem pertenece a la siguiente institución