tv.um.es

Bueno, este es el décimo segundo vídeo de análisis discriminante y bueno, lo que queremos aquí es intentar primero, decidir qué métodos era mejor cuando estamos en la práctica y en cierto modo, como hacíamos en componente principal, en ver si nuestros métodos son robustos y ver si funcionan bien o no, a pesar de que no se podamos garantizar que se cumplan las hipótesis que hemos visto, como, por ejemplo de que sean normales, de que tenga matrices covarianzas, iguales de que tengamos una muestra etc. Bueno, este método, que se conoció como validación cruzada, estaría dentro de una serie de métodos en los que se trabaja únicamente con una muestra, y a partir de la muestra se quiere estimar y ver como de fiables son los métodos que se utilizan, pero usando únicamente los datos muestreos de r muestreo. Sobre la propia muestra que funciona sin necesidad de suponer un modelo teórico han contado, vale? Por lo tanto, aquí ya no necesitaríamos que los datos sean normales, que los grupos de verdad, grupos, etcétera, simplemente lo vamos a ver es el método de clasificación que hemos usado, funciona o no en la práctica fondo de lo que se hace ahora del virus, pues para ver si funcionan por los pruebas y y funcionan bien y si no funciona cuando funciona y hay que devolverlos o con la usa. Bueno, también se conoce como el descriptivo en inglés, como dejar a uno fuera o ana un vale y tener dentro de técnicas que se llama naíf, vale en estadística, bueno, lo no, claro. Nosotros partimos siempre de unos individuos de los que se van a hacer en grupo, vale? Tenemos nuestra un tanto variable z y luego tenemos la variable grupo que se supone que está bien. Si la variable grupo está bien, pues lógicamente los métodos que estamos teniendo, pues puede que no funcionen. Bien, vale. Si hay alguno que estaba, al no pasa nada, me sigue mucho que está mal, pues los métodos, pues están mal. Luego, hay que suponer que estos individuos que tenemos, que o, pues, sabemos su grupo, de verdad o claro, luego no llega a un individuo nuevo, que es el que queremos planificar, y es que no sabemos si está bien. Entonces, bueno, la idea es si tenemos un método de clasificación, es que sea el lineal el discriminante o el de una divino, pues aplicárselo a estos individuos de los que se conoce, entonces, por ejemplo, si yo santo la función discriminante lineal fs, pues, en vez de aplicárselo acepta si este es el objeto. Uno es el objeto en, pues se lo puedo obligar, al objeto. J vale. Bueno, haciendo esto, pues, yo puedo ver si ese objeto j nos da mayor o menor que gas, estamos en el caso de dos grupos, y en qué grupo se clasifica. Este sería el grupo que clasificación, vale, por ejemplo, es eficaz? Pues lo puedo ver, es si de verdad acierta. Ellos se objetos j. Este grupo jesuita, vale. J, vale, sólo se está aquí va a ser simplemente contada, cuántas veces esto se panzer? De hecho, lo hacemos en la práctica correspondiente que pasaría aquí pues lógicamente va a ser y aquí que estaríamos haciendo trampa, porque cuando vamos a clasificar a un individuo, pues la función ele que se usa no hemos usado centra para no escolar, mientras que en esta función en sí que se ha usado el objeto jota para calcular la en cierto modo pues este, objeto jota dentro de la nube, de puntos ha hecho que es la clasificación del grupo j se digamos que tienda hacia él y en cierto modo vale, ha hecho que tire hacia ese punto, vale y bueno estaríamos en cierto modo haciendo un poquito de trampas, y esto nos va a dar una probabilidad de acierto mayor, un poquito mayor de las ruedas. La real sería que cuando uno va a clasificar a un individuo, ese individuo no se ha usado para calcularé vale lo mismo que decimos o decimos. Cuando símbolos cuadrática va. Entonces la idea de la validación cruzada es muy sencilla y ven el nombre. Cuando voy a clasificar al individuo jota lo que voy a hacer es calcular la función discriminante, el dj, en la que usamos todos los individuos jota-asaltamos a j vale. Calculamos la función discriminante lineal, con todos. Menos os j. La precisión será similar, porque hay un tanto menos solo pero j no influye en su clasificación. Conecta función discriminante el dj sin el objeto. J. Sequía certificará el objeto, j, y se cuenta a ver si hacer se aceptaba, lógicamente. Entonces, la mano impensable y hacerla vano solo con con una complicaba, pues hacerlo con todo lo con cada individuo calcularla, el clasificar etc complicado, pero hacerlo en el ordenador sencillo, y eso es justamente lo que hace automáticamente cuando le decimos que la validación cruzada es igual, a verdad vale? Ya lo hace y simplemente se trataría de contar, pues el número de veces que se hacía. Vale, además de de, para ver si es el método fiable y de distinguir o de decidir. Si usamos el ideal, vale discriminante lineal, cuadrática o simplemente viendo cuál acierta más, vale y decidir si son fiables. No. Este método también nos podría servir para decidir qué variables son las que mejor discriminan al grupo. Vale tanto el punto de vista, empezando desde abajo, como desde arriba. Por ejemplo, tenemos un centro acá tenemos una precisión de acierto en el línea de ser el 90 por 100, pues podríamos ver si podemos quitar alguna variable. Cuanto desciende está probabilidades. Acierto, vale. Globala lineales. Siempre va a defender, porque la opción de poner una cuestión consciente, igual acero, siempre está ahí y la óptima, siempre va a ser mejor que todas las demás Valero con quitar una variables nuevo. Hace que sientan que ver la que nos hace encender menos si queríamos quitar alguna variable. Con quitamos la otra opciones, empezar desde cero con las variables, viviendo cuanto a cierta, cada una, vale construyendo. Quiero una, quiero, 2, etc. Por supuesto, el óptimo esos valores. Luego esto realmente no tiene mucho, el discriminante lineal. Habría otra opción que parecía la cosa componentes principales, que es estandarizar las variables. De este modo, esto no va a afectar al a la, al pueblo, la probabilidad de acierto lineal, porque nuestra variable, esta función discriminables fiscales, discriminante decisión, era lineal. Vale? Así si yo veo usar esas uso o estas. Vale tipificadas, vale, pues simplemente lo que tenemos es cambiándola, cambiando la del múltiple, vale llamémoslos coeficientes y la proyección va a ser exactamente la misma. Que para que me sirve el asterisco, coeficientes usando las variables estandarizadas. Pues me serviría para que estas variables, que podrían tener unidades diferentes, derecho no tener, pues estas variables estándar no tienen unidades, vale, con lo cual estos coeficientes se pueden comparar entre sí y la que más para influir a la hora de diversificat simplemente será la que tenga, el máximo de los coeficientes en valores absolutos, como las componentes, la que más pesa a la hora de clasificar cuando estandaricemos, sino estandaricemos no, porque estos coeficientes, pues, dependerán de que unidades va. Por ejemplo, se iban centímetro expresivas metros? Pues esta simplemente hemos cambiara. Se multiplicará por 100. Se debe? Vale? Entonces, para que sean comparables? Pues lo haríamos simplemente, pues si queremos ver cuál es la que más influye, lógicamente en la práctica. Esto es un problema, porque habrá que estimar la media de cómo viven transformaciones como. Pues tendremos que usar la media, no el grupo, y sino la media global de la variable. La varianza global de la variable. En cierto modo, es hacer un poco de trampa. Vale, al final, no vas a nada, porque lo único que estamos haciendo es una transformación lineal. Las medidas de derechos se pueden quitar, porque no es necesario, necesitamos quitarle unidades, basta con dividir por la desviación cívica, vale? Entonces cómo voy a hacer con la variable global, suponiendo que la varianza sean igual. Bueno, esto que no tiene mucha importancia, lo vemos en las prácticas, pero sí simplemente para ver qué variables son las que mejor discriminan, que muchas veces se ve en el estudio inicial de los datos, que también hay que hacerlo, y ahí se ve qué variables son las que mejor sepan en las que peor, cuando vemos en los vicios