Resumen

La representatividad es una característica importante de la calidad de los datos en los procesos de la ciencia de datos; se dice que una muestra de datos es representativa cuando refleja un grupo más amplio con la mayor exactitud posible. Tener bajos índices de representatividad en los datos puede conducir a la generación de modelos sesgados. Por ello, este estudio muestra los elementos que componen un nuevo modelo para medir la representatividad utilizando un elemento matemático de prueba de objetos de matrices de cobertura denominado «Matriz P». Para probar el modelo, se propuso un experimento en el que se toma un conjunto de datos, se divide en subconjuntos de datos de entrenamiento y de prueba utilizando dos estrategias de muestreo: Aleatorio y Estratificado, y se comparan los valores de representatividad. Si la división de los datos es adecuada, las dos estrategias de muestreo deberían presentar índices de representatividad similares. El modelo se implementó en un prototipo de software que utiliza las tecnologías Python (para el procesamiento de datos) y Vue (para la visualización de datos), esta versión del modelo sólo permite analizar conjuntos de datos binarios (por ahora). Para probar el modelo, se ajustó el conjunto de datos «Wines» (UC Irvine Machine Learning Repository). La conclusión es que ambas estrategias de muestreo generan resultados de representatividad similares para este conjunto de datos, aunque este resultado es predecible, está claro que una representatividad adecuada de los datos es importante a la hora de generar los subconjuntos de datos de prueba y entrenamiento. Por lo tanto, como trabajo futuro planeamos ampliar el modelo a datos categóricos y explorar conjuntos de datos más complejos.

• Materias:Acetamida
• Subjects:Acetamida
• Palabras claves:Algoritmos de clasificación; Arrays de cobertura; Calidad de los datos; Conjuntos de datos; Representatividad de los datos
• Keywords:Classification algorithms; Coverage arrays; Data quality; Data sets; Data representativeness