Analíticas de aprendizaje y análisis estadístico implicativo: comparación de técnicas clusters para variables modales
En un mundo cada vez más digitalizado el análisis de datos ha ido ganando relevancia día a día ya que su estudio se ha convertido en un aspecto fundamental e imprescindible al momento de brindar soluciones estratégicas para la toma de decisiones, por tal motivo al no utilizar las técnicas adecuadas...
Salvato in:
| Autore principale: | |
|---|---|
| Natura: | bachelorThesis |
| Lingua: | spa |
| Pubblicazione: |
2022
|
| Soggetti: | |
| Accesso online: | https://dspace.espoch.edu.ec/handle/123456789/21717 |
| Tags: |
Aggiungi Tag
Nessun Tag, puoi essere il primo ad aggiungerne!!
|
Aggiungi Tag | Riassunto: | En un mundo cada vez más digitalizado el análisis de datos ha ido ganando relevancia día a día ya que su estudio se ha convertido en un aspecto fundamental e imprescindible al momento de brindar soluciones estratégicas para la toma de decisiones, por tal motivo al no utilizar las técnicas adecuadas para el tratamiento de esta información se vienen a crear procesos repetitivos y en ciertos casos hasta irresolubles, ocasionando lentitud en los cálculos y el no aprovechamiento de recursos como tiempo de ejecución y espacio de memoria. Dada esta problemática esta investigación propuso realizar un análisis comparativo del tiempo de ejecución y espacio de memoria utilizado entre los métodos clúster similares al Análisis Estadístico Implicativo (ASI) y Learning Analytics (LA). Para ello se utilizó un diseño preexperimental con variables modales considerando para ASI los métodos callHierarchyTree y callSimilarityTree y para LA los métodos hclust.vector, hclustvar y diana. El grupo de estudio fue de 100000 bases de datos, el tipo de muestreo fue aleatorio simple con un tamaño de muestra de 382 bases de datos categóricas (de hasta 10 categorías) las cuales fueron generadas aleatoriamente. Se demostró que no existe diferencia significativa en espacio de memoria entre los cinco métodos, con respecto al tiempo de ejecución se determinó que los métodos que ocupan menor tiempo son callHierarchyTree y callSimilarityTree seguido por hclustvar y finalmente los métodos que ocuparon más tiempo fueron hclust.vector y diana. Estos resultados presentados servirán para utilizar un método clúster más eficiente en tiempo de ejecución y espacio de memoria al analizar datos, permitiendo así optar por algoritmos óptimos desde el punto de vista de la complejidad algorítmica. |
|---|