Modelo de decisión para la validación de métodos de imputación mediante la utilización de algoritmos de minería de datos
- Autores
- Primorac, Carlos R.; Acosta, Julio César; La Red Martínez, David L.
- Año de publicación
- 2018
- Idioma
- español castellano
- Tipo de recurso
- documento de conferencia
- Estado
- versión publicada
- Descripción
- Muchos de los conjuntos de datos (data sets) existentes u obtenidos en investigaciones científicas contienen valores faltantes (MVs: Missing Values) y anomalías (outliers) asociados a procedimientos de entrada manuales deficientes, mediciones incorrectas o errores en los instrumentos de medición. En minería de datos (DM: Data Mining) estas imperfecciones pueden afectar negativamente la calidad del proceso de aprendizaje supervisado o el rendimiento de algoritmos de agrupamiento de datos. La imputación es una técnica para reemplazar MVs con valores sustituidos. Pocos estudios informan una evaluación global de los métodos existentes con el fin de proporcionar directrices para hacer la elección metodológica más apropiada en la práctica. El propósito general de este trabajo es determinar un modelo de decisión que permita encontrar los métodos de imputación más adecuados para completar información faltante en un conjunto de datos mediante la utilización de algoritmos de DM.
Eje: Bases de Datos y Minería de Datos.
Red de Universidades con Carreras en Informática - Materia
-
Ciencias Informáticas
valores faltantes
Data mining
imputación
modelo de decisión - Nivel de accesibilidad
- acceso abierto
- Condiciones de uso
- http://creativecommons.org/licenses/by-nc-sa/4.0/
- Repositorio
- Institución
- Universidad Nacional de La Plata
- OAI Identificador
- oai:sedici.unlp.edu.ar:10915/67233
Ver los metadatos del registro completo
id |
SEDICI_1a4f6db0dfe156f6f2581daf1f4bb2f5 |
---|---|
oai_identifier_str |
oai:sedici.unlp.edu.ar:10915/67233 |
network_acronym_str |
SEDICI |
repository_id_str |
1329 |
network_name_str |
SEDICI (UNLP) |
spelling |
Modelo de decisión para la validación de métodos de imputación mediante la utilización de algoritmos de minería de datosPrimorac, Carlos R.Acosta, Julio CésarLa Red Martínez, David L.Ciencias Informáticasvalores faltantesData miningimputaciónmodelo de decisiónMuchos de los conjuntos de datos (data sets) existentes u obtenidos en investigaciones científicas contienen valores faltantes (MVs: Missing Values) y anomalías (outliers) asociados a procedimientos de entrada manuales deficientes, mediciones incorrectas o errores en los instrumentos de medición. En minería de datos (DM: Data Mining) estas imperfecciones pueden afectar negativamente la calidad del proceso de aprendizaje supervisado o el rendimiento de algoritmos de agrupamiento de datos. La imputación es una técnica para reemplazar MVs con valores sustituidos. Pocos estudios informan una evaluación global de los métodos existentes con el fin de proporcionar directrices para hacer la elección metodológica más apropiada en la práctica. El propósito general de este trabajo es determinar un modelo de decisión que permita encontrar los métodos de imputación más adecuados para completar información faltante en un conjunto de datos mediante la utilización de algoritmos de DM.Eje: Bases de Datos y Minería de Datos.Red de Universidades con Carreras en Informática2018-04info:eu-repo/semantics/conferenceObjectinfo:eu-repo/semantics/publishedVersionObjeto de conferenciahttp://purl.org/coar/resource_type/c_5794info:ar-repo/semantics/documentoDeConferenciaapplication/pdf195-199http://sedici.unlp.edu.ar/handle/10915/67233spainfo:eu-repo/semantics/altIdentifier/isbn/978-987-3619-27-4info:eu-repo/semantics/reference/hdl/10915/67063info:eu-repo/semantics/openAccesshttp://creativecommons.org/licenses/by-nc-sa/4.0/Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0)reponame:SEDICI (UNLP)instname:Universidad Nacional de La Platainstacron:UNLP2025-09-29T11:10:11Zoai:sedici.unlp.edu.ar:10915/67233Institucionalhttp://sedici.unlp.edu.ar/Universidad públicaNo correspondehttp://sedici.unlp.edu.ar/oai/snrdalira@sedici.unlp.edu.arArgentinaNo correspondeNo correspondeNo correspondeopendoar:13292025-09-29 11:10:11.783SEDICI (UNLP) - Universidad Nacional de La Platafalse |
dc.title.none.fl_str_mv |
Modelo de decisión para la validación de métodos de imputación mediante la utilización de algoritmos de minería de datos |
title |
Modelo de decisión para la validación de métodos de imputación mediante la utilización de algoritmos de minería de datos |
spellingShingle |
Modelo de decisión para la validación de métodos de imputación mediante la utilización de algoritmos de minería de datos Primorac, Carlos R. Ciencias Informáticas valores faltantes Data mining imputación modelo de decisión |
title_short |
Modelo de decisión para la validación de métodos de imputación mediante la utilización de algoritmos de minería de datos |
title_full |
Modelo de decisión para la validación de métodos de imputación mediante la utilización de algoritmos de minería de datos |
title_fullStr |
Modelo de decisión para la validación de métodos de imputación mediante la utilización de algoritmos de minería de datos |
title_full_unstemmed |
Modelo de decisión para la validación de métodos de imputación mediante la utilización de algoritmos de minería de datos |
title_sort |
Modelo de decisión para la validación de métodos de imputación mediante la utilización de algoritmos de minería de datos |
dc.creator.none.fl_str_mv |
Primorac, Carlos R. Acosta, Julio César La Red Martínez, David L. |
author |
Primorac, Carlos R. |
author_facet |
Primorac, Carlos R. Acosta, Julio César La Red Martínez, David L. |
author_role |
author |
author2 |
Acosta, Julio César La Red Martínez, David L. |
author2_role |
author author |
dc.subject.none.fl_str_mv |
Ciencias Informáticas valores faltantes Data mining imputación modelo de decisión |
topic |
Ciencias Informáticas valores faltantes Data mining imputación modelo de decisión |
dc.description.none.fl_txt_mv |
Muchos de los conjuntos de datos (data sets) existentes u obtenidos en investigaciones científicas contienen valores faltantes (MVs: Missing Values) y anomalías (outliers) asociados a procedimientos de entrada manuales deficientes, mediciones incorrectas o errores en los instrumentos de medición. En minería de datos (DM: Data Mining) estas imperfecciones pueden afectar negativamente la calidad del proceso de aprendizaje supervisado o el rendimiento de algoritmos de agrupamiento de datos. La imputación es una técnica para reemplazar MVs con valores sustituidos. Pocos estudios informan una evaluación global de los métodos existentes con el fin de proporcionar directrices para hacer la elección metodológica más apropiada en la práctica. El propósito general de este trabajo es determinar un modelo de decisión que permita encontrar los métodos de imputación más adecuados para completar información faltante en un conjunto de datos mediante la utilización de algoritmos de DM. Eje: Bases de Datos y Minería de Datos. Red de Universidades con Carreras en Informática |
description |
Muchos de los conjuntos de datos (data sets) existentes u obtenidos en investigaciones científicas contienen valores faltantes (MVs: Missing Values) y anomalías (outliers) asociados a procedimientos de entrada manuales deficientes, mediciones incorrectas o errores en los instrumentos de medición. En minería de datos (DM: Data Mining) estas imperfecciones pueden afectar negativamente la calidad del proceso de aprendizaje supervisado o el rendimiento de algoritmos de agrupamiento de datos. La imputación es una técnica para reemplazar MVs con valores sustituidos. Pocos estudios informan una evaluación global de los métodos existentes con el fin de proporcionar directrices para hacer la elección metodológica más apropiada en la práctica. El propósito general de este trabajo es determinar un modelo de decisión que permita encontrar los métodos de imputación más adecuados para completar información faltante en un conjunto de datos mediante la utilización de algoritmos de DM. |
publishDate |
2018 |
dc.date.none.fl_str_mv |
2018-04 |
dc.type.none.fl_str_mv |
info:eu-repo/semantics/conferenceObject info:eu-repo/semantics/publishedVersion Objeto de conferencia http://purl.org/coar/resource_type/c_5794 info:ar-repo/semantics/documentoDeConferencia |
format |
conferenceObject |
status_str |
publishedVersion |
dc.identifier.none.fl_str_mv |
http://sedici.unlp.edu.ar/handle/10915/67233 |
url |
http://sedici.unlp.edu.ar/handle/10915/67233 |
dc.language.none.fl_str_mv |
spa |
language |
spa |
dc.relation.none.fl_str_mv |
info:eu-repo/semantics/altIdentifier/isbn/978-987-3619-27-4 info:eu-repo/semantics/reference/hdl/10915/67063 |
dc.rights.none.fl_str_mv |
info:eu-repo/semantics/openAccess http://creativecommons.org/licenses/by-nc-sa/4.0/ Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0) |
eu_rights_str_mv |
openAccess |
rights_invalid_str_mv |
http://creativecommons.org/licenses/by-nc-sa/4.0/ Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0) |
dc.format.none.fl_str_mv |
application/pdf 195-199 |
dc.source.none.fl_str_mv |
reponame:SEDICI (UNLP) instname:Universidad Nacional de La Plata instacron:UNLP |
reponame_str |
SEDICI (UNLP) |
collection |
SEDICI (UNLP) |
instname_str |
Universidad Nacional de La Plata |
instacron_str |
UNLP |
institution |
UNLP |
repository.name.fl_str_mv |
SEDICI (UNLP) - Universidad Nacional de La Plata |
repository.mail.fl_str_mv |
alira@sedici.unlp.edu.ar |
_version_ |
1844615970730016768 |
score |
13.070432 |