J. L. Torrecilla Noguerales, J. R. Berrendero Díaz, A. Cuevas González
Las técnicas selección de variables suponen importantes herramienta para la reducción de dimensión de manera interpretable. Existen multitud de métodos con distintos enfoques y diferencias sustanciales, de manera que todavía estamos lejos de tener un estándar en el contexto de clasificación. Aquí profundizaremos en el problema de selección de variables con datos funcionales a través de una nueva metodología basada en los espacios de Hilbert de núcleos reproductores (RKHS) y la distancia de Mahalanobis. Veremos como la naturaleza funcional de los datos afecta a la selección de variables y qué características son deseables en un algoritmo de selección. Las conclusiones se derivarán de simulaciones y una aplicación a un problema biomédico gracias a la colaboración con el equipo de David García Dorado e Ignasi Barba (Hospital Universitari Vall d'Hebron, Barcelona).
Palabras clave: Análisis de Datos funcionales, Clasificación supervisada, Selección de variables
Programado
X09.2 Grupo de Análisis de Datos Funcionales: últimos avances y aplicaciones
7 de septiembre de 2016 17:30
0.09 - Aula de proyectos 2
