Incidencia en el pronóstico al aplicar reducción de variables.: Un ejemplo práctico

• del Castillo Collazo, Nelson ^[1]
  1. [1] Universidad Nacional Autónoma de México

     Universidad Nacional Autónoma de México

     México

     
• Localización: Revista de Investigación en Tecnologías de la Información: RITI, ISSN-e 2387-0893, Vol. 8, Nº. 15, 2020 (Ejemplar dedicado a: Enero-Junio), págs. 50-69
• Idioma: español
• Títulos paralelos:
  • Incidence in the forecast by applying variable reduction.: A practical example
• Enlaces
  • Texto completo (pdf)
• Resumen
  • español

    En el presente trabajo se muestra cómo incide en el pronóstico reducir el número de variables con las que se realiza la predicción, para esto se aplicó el análisis factorial. Las variables se agruparon en tres factores. Se emplearon los métodos de clasificación siguientes: análisis discriminante, regresión logística y redes neuronales. Se trabajó con tres grupos de datos, el primero incluye a las variables originales, el segundolas variables que pertenecen a los factores uno, dos y tres y el tercero está compuesto solo por las del factor uno. Se emplearon las matrices de confusión y las curvas ROC para conocer la exactitud de los modelos de pronóstico. Se muestran los resultados obtenidos para cada grupo, donde se aprecia que la reducción de variables es muy conveniente para llegar a excelentes resultados en la predicción usando menos recursos; un ejemplo de esto es el caso de la regresión logística donde la diferencia en la exactitud del modelo, entre los dos primeros grupos es menor al tres por ciento. Palabras clave: Reducción de Variables, Análisis Factorial, Métodos de Clasificación, Redes Neuronales.doi: https://doi.org/10.36825/RITI.08.15.006

  • English

    This paper shows how the forecast affects reducing the number of variables with which the prediction is made, for this the factor analysis was applied. The variables were grouped into three factors. The following classification methods were used: discriminant analysis, logistic regression and neural networks. We worked with three groups of data, the first includes the original variables, the second the variables belonging to factors one, two and three and the third is composed only of those of factor one. Confusion matrices and ROC curves were used to determine the accuracy of the forecast models. The results obtained for each group are shown, where it is appreciated that the reduction of variables is very convenient to reach excellent prediction results using fewer resources; An example of this is the case of logistic regression where the difference in the accuracy of the model between the first two groups is less than three percent. Keywords: Variable Reduction, Factorial Analysis, Classification Methods, Neural Networks.