stringtranslate.com

Análisis exploratorio de datos

Análisis exploratorio de datos: revelación de conocimientos sobre la mejora de la inteligencia perimetral. En esta exploración integral, el gráfico traza las trayectorias de dos curvas: una que representa el modelo de evaluación cuantitativa para la mejora de la inteligencia perimetral y la otra que muestra los resultados de las pruebas reales. Ambos parten del origen (0,1) y convergen significativamente en (80,70), lo que indica una proporción integral compartida durante esta fase fundamental. Curiosamente, a medida que los datos se desarrollan más allá de este punto, emerge una divergencia discernible. El modelo de mejora de Edge Intelligence supera consistentemente los resultados de las pruebas reales, revelando una reserva convincente en proporciones integrales. Esta narrativa visual matizada proporciona información valiosa sobre la intrincada dinámica entre las predicciones modeladas y los resultados empíricos, lo que subraya la importancia del análisis exploratorio de datos para desentrañar las complejidades de la inteligencia de vanguardia mejorada.

En estadística , el análisis de datos exploratorio (EDA) es un enfoque de análisis de conjuntos de datos para resumir sus características principales, a menudo utilizando gráficos estadísticos y otros métodos de visualización de datos . Se puede utilizar un modelo estadístico o no, pero principalmente EDA sirve para ver qué nos pueden decir los datos más allá del modelado formal y, por lo tanto, contrasta las pruebas de hipótesis tradicionales. John Tukey ha promovido el análisis de datos exploratorios desde 1970 para alentar a los estadísticos a explorar los datos y posiblemente formular hipótesis que podrían conducir a nuevos experimentos y recopilación de datos. EDA es diferente del análisis de datos iniciales (IDA) , [1] [2] , que se centra más específicamente en verificar los supuestos necesarios para el ajuste del modelo y la prueba de hipótesis, y en el manejo de valores faltantes y en realizar transformaciones de variables según sea necesario. La EDA engloba a la IDA.

Descripción general

Tukey definió el análisis de datos en 1961 como: "Procedimientos para analizar datos, técnicas para interpretar los resultados de dichos procedimientos, formas de planificar la recopilación de datos para hacer su análisis más fácil, más preciso o más exacto, y toda la maquinaria y resultados de ( estadísticas matemáticas) que se aplican al análisis de datos". [3]

El análisis de datos exploratorio es una técnica de análisis para analizar e investigar el conjunto de datos y resumir las principales características del conjunto de datos. La principal ventaja de EDA es proporcionar visualización de datos después de realizar el análisis.

La defensa de EDA por parte de Tukey alentó el desarrollo de paquetes de computación estadística , especialmente S en Bell Labs . [4] El lenguaje de programación S inspiró los sistemas S-PLUS y R. Esta familia de entornos de computación estadística presentaba capacidades de visualización dinámica enormemente mejoradas, lo que permitió a los estadísticos identificar valores atípicos , tendencias y patrones en los datos que merecían un estudio más detallado.

La EDA de Tukey estaba relacionada con otros dos desarrollos en la teoría estadística : estadísticas robustas y estadísticas no paramétricas , las cuales intentaron reducir la sensibilidad de las inferencias estadísticas a los errores en la formulación de modelos estadísticos . Tukey promovió el uso de cinco números resumidos de datos numéricos: los dos extremos ( máximo y mínimo ), la mediana y los cuartiles, porque esta mediana y los cuartiles , al ser funciones de la distribución empírica , están definidos para todas las distribuciones, a diferencia de la media y Desviación Estándar ; Además, los cuartiles y la mediana son más robustos ante distribuciones asimétricas o de cola pesada que los resúmenes tradicionales (la media y la desviación estándar). Los paquetes S , S-PLUS y R incluían rutinas que utilizaban estadísticas de remuestreo , como la navaja de Quenouille y Tukey y el bootstrap de Efron , que no son paramétricas y son robustas (para muchos problemas).

El análisis de datos exploratorios, las estadísticas sólidas, las estadísticas no paramétricas y el desarrollo de lenguajes de programación estadística facilitaron el trabajo de los estadísticos en problemas científicos y de ingeniería. Estos problemas incluían la fabricación de semiconductores y la comprensión de las redes de comunicaciones, que preocupaban a los Laboratorios Bell. Estos desarrollos estadísticos, todos defendidos por Tukey, fueron diseñados para complementar la teoría analítica de probar hipótesis estadísticas , particularmente el énfasis de la tradición laplaciana en las familias exponenciales . [5]

Desarrollo

Diagrama de flujo del proceso de ciencia de datos

John W. Tukey escribió el libro Exploratory Data Analysis en 1977. [6] Tukey sostuvo que en estadística se ponía demasiado énfasis en las pruebas de hipótesis estadísticas (análisis de datos confirmatorios); era necesario poner más énfasis en el uso de datos para sugerir hipótesis a probar. En particular, sostuvo que confundir los dos tipos de análisis y emplearlos en el mismo conjunto de datos puede conducir a un sesgo sistemático debido a los problemas inherentes a la prueba de hipótesis sugeridas por los datos .

Los objetivos de EDA son:

Se han adoptado muchas técnicas EDA en la minería de datos . También se están enseñando a estudiantes jóvenes como una forma de introducirlos en el pensamiento estadístico. [8]

Técnicas y herramientas

Hay una serie de herramientas que son útiles para la EDA, pero la EDA se caracteriza más por la actitud adoptada que por técnicas particulares. [9]

Las técnicas gráficas típicas utilizadas en EDA son:

Reducción de dimensionalidad :

Las técnicas cuantitativas típicas son:

Historia

Muchas ideas de EDA se remontan a autores anteriores, por ejemplo:

El curso Estadística en la Sociedad de la Open University (MDST 242) tomó las ideas anteriores y las fusionó con el trabajo de Gottfried Noether , que introdujo la inferencia estadística mediante el lanzamiento de monedas y la prueba de la mediana .

Ejemplo

Los hallazgos de EDA son ortogonales a la tarea de análisis principal. Para ilustrar, consideremos un ejemplo de Cook et al. donde la tarea de análisis es encontrar las variables que mejor predicen la propina que una cena le dará al camarero. [12] Las variables disponibles en los datos recopilados para esta tarea son: el monto de la propina, la factura total, el sexo del pagador, la sección de fumadores/no fumadores, la hora del día, el día de la semana y el tamaño del grupo. La tarea de análisis principal se aborda ajustando un modelo de regresión donde la tasa de propinas es la variable de respuesta. El modelo ajustado es

(tasa de propinas) = ​​0,18 - 0,01 × (tamaño del grupo)

que dice que a medida que el tamaño del grupo de cena aumenta en una persona (lo que genera una factura más alta), la tasa de propina disminuirá en un 1%, en promedio.

Sin embargo, la exploración de los datos revela otras características interesantes no descritas por este modelo.

Lo que se aprende de los gráficos es diferente de lo que ilustra el modelo de regresión, aunque el experimento no fue diseñado para investigar ninguna de estas otras tendencias. Los patrones encontrados al explorar los datos sugieren hipótesis sobre la inclinación que tal vez no se hayan anticipado de antemano y que podrían conducir a interesantes experimentos de seguimiento en los que las hipótesis se plantean y prueban formalmente mediante la recopilación de nuevos datos.

Software

Ver también

Referencias

  1. ^ Chatfield, C. (1995). Resolución de problemas: una guía para estadísticos (2ª ed.). Chapman y Hall. ISBN 978-0412606304.
  2. ^ Baillie, Mark; Le Cessie, Saskia; Schmidt, Carsten Oliver; Lusa, Lara; Huebner, Marianne; Grupo Temático “Análisis de Datos Iniciales” de la Iniciativa STRATOS (2022). "Diez reglas sencillas para el análisis de datos inicial". PLOS Biología Computacional . 18 (2): e1009819. Código Bib : 2022PLSCB..18E9819B. doi : 10.1371/journal.pcbi.1009819 . PMC 8870512 . PMID  35202399. 
  3. ^ John Tukey-El futuro del análisis de datos-Julio de 1961
  4. ^ Becker, Richard A., Una breve historia de S, Murray Hill, Nueva Jersey: AT&T Bell Laboratories, archivado desde el original (PS) el 23 de julio de 2015 , consultado el 23 de julio de 2015 , ... queríamos poder interactuar con nuestros datos, utilizando técnicas de Análisis Exploratorio de Datos (Tukey, 1971).
  5. ^ Morgenthaler, Stephan; Fernholz, Luisa T. (2000). "Conversación con John W. Tukey y Elizabeth Tukey, Luisa T. Fernholz y Stephan Morgenthaler". Ciencia estadística . 15 (1): 79–94. doi : 10.1214/ss/1009212675 .
  6. ^ Tukey, John W. (1977). Análisis exploratorio de datos . Pearson. ISBN 978-0201076165.
  7. ^ Behrens-Principios y procedimientos de análisis de datos exploratorios-Asociación Estadounidense de Psicología-1997
  8. ^ Konold, C. (1999). "La estadística va a la escuela". Psicología Contemporánea . 44 (1): 81–82. doi :10.1037/001949.
  9. ^ Tukey, John W. (1980). "Necesitamos tanto exploraciones como confirmaciones". El estadístico estadounidense . 34 (1): 23–25. doi :10.1080/00031305.1980.10482706.
  10. ^ Sailem, Heba Z.; Sero, Julia E.; Bakal, Chris (8 de enero de 2015). "Visualización de datos de imágenes celulares mediante PhenoPlot". Comunicaciones de la naturaleza . 6 (1): 5825. Código bibliográfico : 2015NatCo...6.5825S. doi : 10.1038/ncomms6825. ISSN  2041-1723. PMC 4354266 . PMID  25569359. 
  11. ^ Manual elemental de estadística (3.ª ed., 1920) https://archive.org/details/cu31924013702968/page/n5
  12. ^ Cook, D. y Swayne, DF (con A. Buja, D. Temple Lang, H. Hofmann, H. Wickham, M. Lawrence) (2007) "Gráficos interactivos y dinámicos para análisis de datos: con R y GGobi" Springer , 978-0387717616

Bibliografía

Andrienko, N & Andrienko, G (2005) Análisis exploratorio de datos espaciales y temporales. Un enfoque sistemático. Saltador. ISBN 3-540-25994-5 Cook, D. y Swayne, DF (con A. Buja, D. Temple Lang, H. Hofmann, H. Wickham, M. Lawrence) (12 de diciembre de 2007). Gráficos Interactivos y Dinámicos para Análisis de Datos: Con R y GGobi. Saltador. ISBN 9780387717616. Hoaglin, CC; Mosteller, F y Tukey, John Wilder (Eds) (1985). Explorando tablas de datos, tendencias y formas. ISBN 978-0-471-09776-1. Hoaglin, CC; Mosteller, F y Tukey, John Wilder (Eds) (1983). Comprensión del análisis de datos sólido y exploratorio. ISBN 978-0-471-09777-8. Young, FW Valero-Mora, P. y Friendly M. (2006) Estadísticas visuales: visualización de datos con gráficos interactivos dinámicos. Wiley ISBN 978-0-471-68160-1 Jambu M. (1991) Análisis de datos exploratorios y multivariados. Prensa académica ISBN 0123800900 SHC DuToit, AGW Steyn, RH Stumpf (1986) Análisis gráfico de datos exploratorios. Springer ISBN 978-1-4612-9371-2

enlaces externos