Mostrar o rexistro simple do ítem
dc.contributor.advisor | González Manteiga, Wenceslao (dir.) |
dc.contributor.author | Arán Paredes, Josefa |
dc.date.accessioned | 2021-05-24T16:14:42Z |
dc.date.available | 2021-05-24T16:14:42Z |
dc.date.issued | 2019-07 |
dc.identifier.uri | http://hdl.handle.net/10347/26292 |
dc.description | Traballo Fin de Grao en Matemáticas. Curso 2018-2019 |
dc.description.abstract | [GL] O principal obxectivo deste traballo é introducir a análise discriminante e algunhas técnicas de clasificación, centrándose no seu papel no contexto de Big Data. No primeiro capítulo preséntanse os conceptos xerais da clasificación, as regras e a idea de optimalidade. Os principais métodos paramétricos de clasificación (regras lineais e cuadráticas) e algúns non paramétricos (regra dos 𝑘 veciños máis cercanos e regras tipo kernel) son explicados no segundo capítulo. O terceiro trata sobre a avaliación das técnicas anteriormente definidas cando son aplicadas na práctica. Os dous últimos capítulos introducen os problemas que se poden achar nun contexto de Big Data, particularmente o caso en que a dimensión é maior que o número de observacións. Preséntanse dúas técnicas adaptadas a esta situación e finalmente ilústrase o seu funcionamento cun exercicio de simulación e cunha aplicación a unha base de datos real. |
dc.description.abstract | [EN] This project aims to introduce discriminant analysis and some classification techniques, focusing on their role in the Big Data context. In the first chapter, the general concepts of classification, rules and the idea of optimality are presented. The principal parametric methods (linear and quadratic rules) and some non-parametric ones (𝑘 nearest neighbors and kernel rules) are introduced in the second one. The third chapter verses on rule evaluation when applied in practice. The last two chapters introduce the problems encountered in the Big Data context, when the dimension is greater than the sample size in particular. Finally, two techniques adapted to this situation are explained and their performance is demonstrated in a simulation exercise and an application to a real database. |
dc.language.iso | glg |
dc.rights | Atribución-NoComercial-CompartirIgual 4.0 Internacional |
dc.rights.uri | http://creativecommons.org/licenses/by-nc-sa/4.0/ |
dc.title | Técnicas de clasificación no contexto de Big Data |
dc.type | bachelor thesis |
dc.rights.accessRights | open access |
dc.contributor.affiliation | Universidade de Santiago de Compostela. Facultade de Matemáticas |
Ficheiros no ítem
Este ítem aparece na(s) seguinte(s) colección(s)
-
Grao en Matemáticas [306]