También se utilizan técnicas de reducción de dimensionalidad como el análisis de componentes principales para comprimir la información en menos dimensiones sin perder las características clave. Y todo esto es precisamente el análisis exploratorio de datos, que es en resumen una forma de entender, visualizar y extraer información relevante del set de datos para poder decidir cuál será la ruta o técnica más adecuada para su posterior procesamiento. Los métodos para realizar un análisis exploratorio suelen dividirse en métodos gráficos o no gráficos y métodos univariantes https://aldeadigitalperu.com/conseguir-un-salario-por-encima-del-promedio-en-el-mundo-de-los-datos-gracias-al-bootcamp-de-tripleten/ o multivariantes. Se basan en gran medida en las imágenes, que los analistas utilizan para buscar patrones, valores atípicos, tendencias y resultados inesperados. Esto implica calcular coeficientes de correlación utilizando funciones como cor() o cor.test(), y visualizar las correlaciones utilizando paquetes como corrplot o geom_tile() de ggplot2 para crear mapas de calor de correlación. El Análisis Exploratorio de Datos (AED) es un paso crucial en la metodología cuantitativa que nos permite comprender y obtener información valiosa de nuestro conjunto de datos.
¿Qué sacamos del EDA?
Puede ayudar a identificar errores obvios, así como a comprender mejor los patrones dentro de los datos, detectar valores atípicos o eventos anómalos y encontrar relaciones interesantes entre las variables. Puedes utilizar funciones como summary(), dim() y names() para obtener una visión general de los datos, incluyendo estadísticas resumidas y nombres de variables. Además, es importante identificar valores faltantes y https://elpuntonoticias.mx/conseguir-un-salario-por-encima-del-promedio-en-el-mundo-de-los-datos-gracias-al-bootcamp-de-tripleten/ verificar los tipos de datos mediante funciones como is.na() y class(). El análisis exploratorio de datos requiere con frecuencia de herramientas específicas que faciliten la identificación de patrones e intuiciones en grandes volúmenes de información. Tradicionalmente se han utilizado software estadísticos y de visualización, no obstante, la tecnología actual permite innovar y potenciar la creatividad en el proceso.
Software de encuestas con más de 80 funciones GRATIS
- Sin embargo, cada uno tiene sus fortalezas y debilidades, por lo que es esencial elegir la herramienta adecuada para el trabajo.
- Resultados del análisis de mulivariante de conglomerados por el método de Ward efectuado en los ciertos tipos líticos, computando variables tecnológicas.
- Finalmente podemos decir que nuestra Intuición -basada en Experiencia previa, no en corazonadas- y nuestro conocimiento de casos similares también nos pueden aportar pistas para saber si estamos ante datos de buena calidad.
- Este tipo de exploración de datos se emplea en muchos campos como la biología molecular para detectar el nivel de expresión de los genes o el marketing digital para saber cuales son las partes de la web donde los usuarios más interaccionan.
- Los científicos de datos utilizan el análisis exploratorio de datos (EDA) para analizar e investigar conjuntos de datos y resumir sus características principales, a menudo empleando métodos de visualización de datos.
- Se considera un complemento de la estadística inferencial, que tiende a ser bastante rígida con reglas y fórmulas.
En un artículo anterior hablamos del Machine Learning Engineering (o MLOps), y allí vimos todas las fases involucradas en el desarrollo de un proyecto de Machine Learning. En particular, la etapa de preparación de los datos, además de ser fundamental, curso de análisis de datos requiere casi siempre entre un 60% y un 70% del tiempo de desarrollo. Con esto nos crearemos una idea general de los datos, advirtiendo que por ejemplo cada pasajero estará especializado por variables como el nombre, la edad, el género, etc.
- Los datos binarios indican una de dos posibles categorías, como por ejemplo “sobreviviente” o “no sobreviviente”.
- Otra de las técnicas que más nos ayudaran en el EDA es visualización de datos (que también podemos hacer con Pandas).
- Ayuda a descubrir patrones de datos, detectar anomalías, probar hipótesis y/o suposiciones.
- Puede ser una labor tediosa, larga y no sencilla la de derivar conocimientos observando números sencillos.
- Pero resulta que no es suficiente con conocer la media o la mediana de la distribución, pues además necesitamos tener una idea de qué tan agrupados o dispersos están los 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.
Comparte el artículo:
Pero no es un proceso lineal sino que se trata de un ciclo de curiosidad e investigación que nos puede llevar a través de varias fases de descubrimiento. Esto nos servirá para identificar por ejemplo qué variables están correlacionadas, o cuáles de ellas resultan de pronto más relevantes. Esto es fundamental para las etapas que vendrán más adelante en el proyecto, como el pre-procesamiento de los datos, la extracción de características o el desarrollo mismo del modelo en el caso del Machine Learning.
Raul Zarzuri Cortés, Universidad Academia de Humanismo Cristiano
Esto se puede lograr utilizando funciones como mutate() e ifelse() para generar nuevas variables basadas en condiciones lógicas u operaciones matemáticas. Para dicho caso práctico, se ha utilizado el dataset relativo al registro de la calidad del aire en la Comunidad Autónoma de Castilla y León incluido en nuestro catálogo de datos abiertos. El tratamiento se ha llevado a cabo con herramientas tecnológicas Open Source y gratuitas. En la guía se recoge el código para que los usuarios pueden replicarlo de forma autodidacta siguiendo los pasos indicados.
Las medidas de tendencia central nos dan una idea corriente del valor típico que logran poseer nuestros datos, y las primordiales son la media y la mediana. Este tipo de exploración de datos se emplea en muchos campos como la biología molecular para detectar el nivel de expresión de los genes o el marketing digital para saber cuales son las partes de la web donde los usuarios más interaccionan.
