Analisis multivariante es un mtodo estadstico utilizado para determinar la

contribucin de varios factores en un simple evento o resultado.

Tecnicas multivriantes:

Anlisis de Componentes principales

Anlisis factorial

Anlisis discriminante

Anlisis de Correlacin Cannica

Anlisis Cluster

Anlisis de Escalamiento Dimensional

Anlisis de correspondencias

Anlisis factorial confirmatorio

Modelo de Ecuaciones Estructurales (SEM), anlisis causal.

Anlisis conjunto

Escalamiento ptimo

Regresin Lineal Multiple

Regresin Logit y Probit

Anlisis Manova

Mineria de Datos o exploracin de datos es un campo de las ciencias de la

computacin referido al proceso que intenta descubrir patrones en grandes
volmenes de conjunto de datos. es un procedimiento algoritmico
Tecnicas de mineria de datos:

Redes neuronales.- Son un paradigma de aprendizaje y procesamiento

automtico inspirado en la forma en que funciona el sistema nervioso de los animales. Se
trata de un sistema de interconexin de neuronasen una red que colabora para producir
un estmulo de salida. Algunos ejemplos de red neuronal son:

El perceptrn.

El perceptrn multicapa.

Los mapas autoorganizados, tambin conocidos como redes de Kohonen.

Regresin lineal.- Es la ms utilizada para formar relaciones entre datos. Rpida y

eficaz pero insuficiente en espacios multidimensionales donde puedan relacionarse ms
de 2 variables.

rboles de decisin.- Un rbol de decisin es un modelo de prediccin utilizado en el

mbito de lainteligencia artificial, dada una base de datos se construyen estos diagramas
de construcciones lgicas, muy similares a los sistemas de prediccin basados en reglas,
que sirven para representar y categorizar una serie de condiciones que suceden de forma
sucesiva, para la resolucin de un problema. Ejemplos:

Algoritmo ID3.

Algoritmo C4.5.

Modelos estadsticos (anlisis multivariable). Es una expresin simblica en forma

de igualdad o ecuacin que se emplea en todos los diseos experimentales y en la
regresin para indicar los diferentes factores que modifican la variable de respuesta.

Agrupamiento o Clustering.- Es un procedimiento de agrupacin de una serie de

vectores segn criterios habitualmente de distancia; se tratar de disponer los vectores de
entrada de forma que estn ms cercanos aquellos que tengan caractersticas comunes.
Ejemplos:

Algoritmo K-means.

Algoritmo K-medoids.

Reglas de asociacin.- Se utilizan para descubrir hechos que ocurren en comn

dentro de un determinado conjunto de datos.

Segn el objetivo del anlisis de los datos, los algoritmos utilizados se clasifican en
supervisados y no supervisados (Weiss y Indurkhya, 1998):

Algoritmos supervisados (o predictivos): predicen un dato (o un conjunto de ellos)

desconocido a priori, a partir de otros conocidos.

Algoritmos no supervisados (o del descubrimiento del conocimiento): se descubren

patrones y tendencias en los datos.

support vector machine (mquinas de vectores soporte)

Comparativa SVM vs ANN

La siguiente tabla muestra una comparativa entre las redes neuronales artificales y los
algoritmos SVM.

CAPITULO 7 PAGINA 91

Mquinas de Vectores Soporte son a menudo superiores a los Rnas porque se evitan dos de
las principales debilidades de las redes neuronales: (1) las redes neuronales a menudo
convergen en mnimos locales en lugar de mnimos globales, lo que significa que son
esencialmente "falta la imagen grande" a veces (o falta de el bosque por los rboles) (2) las
redes neuronales a menudo overfit si la formacin va en demasiado larga, es decir, que para
cualquier patrn, ANN podra empezar a considerar el ruido como parte del patrn. SVMs no
sufre de cualquiera de estos dos problemas. Sin embargo, no es evidente que la SVMs estn
destinados a ser un reemplazo total de Rna. As que lo especfico de ventaja(s), hace un ANN
tiene ms de una SVM que podra hacer es aplicable para ciertas situaciones? He enumerado
especficas de las ventajas de una SVM ms de una ANN, ahora me gustara ver una lista de
ANN ventajas (si las hubiere).
Ver ms en: http://www.iteramos.com/pregunta/7851/cuales-son-las-ventajas-de-las-redesneuronales-artificiales-mas-de-maquinas-de-vectores-soporte

Support vector Machine (utiliza el clculo variacional): a diferencia de

los algoritmos anteriores, la mquina de soporte vectorial, utilizan
planos complejos para encontrar la mejor divisin de las instancias que
permitan clasificarlas de manera optima.
Cuya formulacin es un problema de minimizacin cuadrtica con un nmero
de variables igual al nmero de casos de entrenamiento (se debe encontrar
el hiperplano separado entre las distancias).
Existen formulaciones para entrenar SVM usando programacin lineal, estas
formulacin estn basadas en la consideracin de las normas L1 y Linfinito
en lugar de la norma L2. Por tanto para grandes nmeros de datos se debe
usar un equipo de gran capacidad.
SVM utiliza la rama de optimizacin de la matemtica, el problema que
aborda involucra optimizacin de una funcin convexa (no contiene mnimos
locales)
Este algoritmo no requiere informacin acerca de la distribucin del
conjunto de datos (busca un balance entre certeza y cantidad de datos a
aceptar).