Please enable JavaScript.

Coggle requires JavaScript to display documents.

PREPARACIÓN DE DATOS - Coggle Diagram

- - - - Redefinir el tamaño del conjunto de datos
      - utilizar diferentes tasas de error admisibles en la
        predicción de clases mayoritarias y minoritarias
      - crear una máquina de aprendizaje para cada una de las clases
  - - - Datos incompletos
        
        tener datos faltantes
        
        motivos
        
        Desconocimiento de datos
        
        Distracción a la hora de registrar datos
        
        El atributo no fue considerado importante cuando se inicio la
        captura de los primeros datos
        
        No es obligatorio en la captura de datos
        
        Problemas de equipamiento al momento de capturar datos
        
        medidas :pen:
        
        Completar manualmente los datos faltantes
        
        Utilizar algún método heurístico para completar
        
        Eliminar los objetos faltantes
        
        Utilizar técnicas que soportan datos faltantes
        
        Un valor puede se asignado, si es comun a todos o la mayoria de
        datos
        
        Utilizar la media, moda, o mediana de los valores conocidos.
      - Datos inconsistentes
        
        ¿?
        
        poseen valores
        conflictivos en sus atributos
        
        cuando son extraidos de
        diferentes conjuntos de datos
        
        Para resolver se crean metodos automatizados de extracción consistente de datos y en caso complejos
        manualmente :pen:
      - Datos redudantes
        
        al momento de
        extraer los datos
        
        estos atributos para más de un objeto pueden ser
        similares
        
        Para resolver se debe eliminar estos datos :pen:
      - Datos con ruido
        
        ¿?
        
        como una varianza, los datos inconsistentes pueden ser resultado de la presencia de ruido.
        
        Para correción de ruido se suele aplicar estadística: técnica
        basada en distribución y/o concepto de profundidad :pen:
  - - - Muestreo aleatorio simple
        
        técnica simple de extración aplicando
        aletoriedad.
      - Muestreo estratificado
        
        Existen datos donde la cantidad de objetos por clase es muy diferente, entonces el muestreo debe permitir
        obtener una cantidad homogenea de clases
      - Muestreo progresivo
        
        Con esta estrategia, se elige una muestra pequeña, si la exactitud de predicción es mala, se incrementa
        gradualmente hasta conseguir una exactitud aceptable
  - - - Conversión numérico a simbólico
      - Transformación de atributos numéricos
      - Conversión simbólico a numérico
  - - - asi que es necesario determinar los atributos
        comunes para ser combinados
  - - - Selección de atributos
      - Técnicas de ordenamiento
      - Agregación
      - Técnicas de selección de subcojuntos
  - - - experiencia de un especialista, para poder decidir que
        atributos estan asociados para el propósito