FCEyE 2016 - Actas Jornadas Anuales - Vigésimoprimeras: 22 y 23-11-2016

URI permanente para esta colección

https://rephip.unr.edu.ar/handle/2133/7426

Examinar

Examinando FCEyE 2016 - Actas Jornadas Anuales - Vigésimoprimeras: 22 y 23-11-2016 por Materia "Árboles de decisión CART"

Mostrando 1 - 1 de 1
  • Miniatura
    ÍtemAcceso Abierto
    Métodos predictivos de data Mining en el control de procesos industriales
    (2016-11) Dianda, Daniela Fernanda; Quaglino, Marta Beatriz; Pagura, José Alberto; Secretaría de Ciencia y Tecnología. Facultad de Ciencias Económicas y Estadística. Universidad Nacional de Rosario
    Entre los objetivos principales del análisis de datos en contextos industriales, aparece la predicción, es decir, identificar una función que permita predecir el valor de una respuesta de interés a partir de los valores que toman otras variables consideradas como potenciales predictores de esa respuesta. Los grandes volúmenes de datos que la tecnología actual permite generar y almacenar han hecho necesario el desarrollo de técnicas de análisis alternativas a las tradicionales para lograr este objetivo, que permitan procesar y predecir la respuesta en tiempo real. Englobados bajo la denominación de Data Mining, muchos de estos nuevos métodos están basados en algoritmos automáticos originados mayormente en el ámbito informático. No obstante, la calidad de la información que alimenta a estos procedimientos sigue siendo un factor clave para asegurar la confiabilidad de los resultados. Con esta premisa es que en este trabajo se aborda el estudio del efecto que la presencia de fallas en los dispositivos de medición que originan la información, pueden causar sobre la capacidad predictiva de uno de los métodos disponibles, los árboles de decisión. Las medidas de eficiencia se definen a partir de la comparación con una técnica estadística tradicional, la regresión lineal múltiple. Los resultados señalan que la existencia de errores de medida tiene un efecto diferenciado sobre la capacidad predictiva de los árboles de decisión, según la naturaleza del error