Glosario de Análisis Empresarial

Este elemento es una expansión del contenido de los cursos y guías de Lawi. Ofrece un completo “Glosario de Análisis Empresarial”. Nota: Véase la información relativa a Planificación Empresarial. Y véase sus características principales, así como sus limitaciones y su proceso. [aioseo_breadcrumbs]

Glosario de Análisis Empresarial

• Precisión: Medida del éxito de la clasificación definida como 1 menos la tasa de error global.
• Área bajo la curva ROC (AUC): Medida del rendimiento de un método de clasificación; un AUC de 0,5 implica que un método no es mejor que una clasificación aleatoria, mientras que un clasificador perfecto tiene un AUC de 1,0.
• Error medio: La diferencia media entre los valores reales y los valores predichos de las observaciones de un conjunto de datos; se utiliza para detectar el sesgo de la predicción.
• Ensamblaje: Método de conjunto que genera un comité de modelos basados en diferentes muestras aleatorias y realiza predicciones basadas en la predicción media del conjunto de modelos.
• Sesgo: Tendencia de un modelo de predicción a sobrestimar o subestimar el valor de un resultado continuo.
• Refuerzo: Método de conjunto que muestrea iterativamente a partir de los datos de entrenamiento originales para generar modelos individuales que se dirigen a observaciones que se predijeron mal en modelos generados previamente, y luego basa las predicciones del conjunto en la media ponderada de las predicciones de los modelos individuales, donde las ponderaciones son proporcionales a la precisión de los modelos individuales.
• Tasa de error de la clase 0: El porcentaje de observaciones de clase 0 clasificadas erróneamente por un modelo en un conjunto de datos.
• Tasa de error de clase 1: El porcentaje de observaciones reales de clase 1 clasificadas erróneamente por un modelo en un conjunto de datos.
• Clasificación: Tarea de minería de datos predictiva que requiere la predicción de la clase o categoría de resultado de una observación.
• Árbol de clasificación: Árbol que clasifica una variable de resultado categórica dividiendo las observaciones en grupos mediante una secuencia de reglas jerárquicas sobre las variables de entrada.
• Matriz de confusión: Una matriz que muestra los recuentos de los valores de clase reales frente a los predichos.
• Gráfico de elevación acumulativa: Gráfico utilizado para presentar el rendimiento de un modelo en la identificación de las observaciones con mayor probabilidad de estar en la clase 1 en comparación con la clasificación aleatoria.
• Valor de corte: El valor más pequeño que puede tener la probabilidad prevista de una observación para que ésta se clasifique como Clase 1.
• Gráfico de elevación por deciles: Gráfico utilizado para presentar el rendimiento de un modelo en la identificación de observaciones para cada uno de los k deciles superiores con mayor probabilidad de estar en la Clase 1 en comparación con una clasificación aleatoria.
• Método ensemble: Un enfoque de minería de datos predictivos en el que se genera un comité de modelos individuales de clasificación o estimación y se realiza una predicción combinando estas predicciones individuales.
• Estimación: Una tarea de minería de datos predictiva que requiere la predicción del valor del resultado continuo de una observación.
• Puntuación F1: Una medida que combina la precisión y la sensibilidad en una única métrica.
• Falso negativo: La clasificación errónea de una observación de clase 1 como clase 0.
• Falso positivo: La clasificación errónea de una observación de Clase 0 como Clase 1.
• Características: Conjunto de variables de entrada utilizadas para predecir la clase de resultado o el valor de resultado continuo de una observación.
• Impureza: Medida de la heterogeneidad de las observaciones en un árbol de clasificación o regresión.
• k-fold cross-validation: Procedimiento robusto para entrenar y validar modelos en el que las observaciones que se van a utilizar para entrenar y validar el modelo se dividen repetidamente al azar en k subconjuntos llamados pliegues. En cada iteración, un pliegue se designa como el conjunto de validación y los k – 1 pliegues restantes se designan como el conjunto de entrenamiento. A continuación, se combinan y evalúan los resultados de las iteraciones.
• k-vecinos más cercanos: Método de minería de datos que predice (clasifica o estima) el valor del resultado de una observación i basándose en las k observaciones más similares a la observación i con respecto a las variables de entrada.
• Validación cruzada leave-one-out: Un caso especial de validación cruzada k-fold para el que el número de pliegues es igual al número de observaciones en los datos combinados de entrenamiento y validación.
• Regresión logística: Generalización de la regresión lineal que predice una variable de resultado categórica calculando las probabilidades logarítmicas del resultado como una función lineal de las variables de entrada.
• Estadística Cp de Mallow: Medida en la que valores pequeños aproximadamente iguales al número de coeficientes sugieren modelos de regresión logística prometedores.
• Observación (registro): Conjunto de valores observados de variables asociadas a una única entidad, que a menudo se muestra como una fila en una hoja de cálculo o base de datos.
• Estimación fuera de bolsa: Medida de estimación del rendimiento predictivo de un conjunto bagging de m modelos (sin un conjunto de validación separado) aprovechando el concepto de que el entrenamiento de cada modelo sólo se basa en aproximadamente el 63,2% de las observaciones originales (debido al muestreo con reemplazo).
• Tasa de error global: El porcentaje de observaciones clasificadas erróneamente por un modelo en un conjunto de datos.
• Sobreajuste: Situación en la que un modelo explica patrones aleatorios en los datos sobre los que se ha entrenado en lugar de sólo las relaciones generalizables, lo que da lugar a un modelo con un rendimiento en el conjunto de entrenamiento que supera con creces su rendimiento en los nuevos datos.
• Sobremuestreo: Técnica que equilibra el número de observaciones de clase 1 y clase 0 en un conjunto de entrenamiento insertando copias de observaciones de clases minoritarias en el conjunto de entrenamiento.
• Precisión: El porcentaje de observaciones predichas como clase 1 que realmente lo son.
• Bosques aleatorios: Una variante del método de conjunto de embolsamiento que genera un comité de árboles de clasificación o regresión basados en diferentes muestras aleatorias, pero restringe cada árbol individual a un número limitado de características (variables) seleccionadas al azar.
• Curva receiver operating characteristic (ROC): Gráfico utilizado para ilustrar la compensación entre la capacidad de un modelo para identificar observaciones de clase 1 y su tasa de error de clase 0.
• Árbol de regresión: Árbol que predice los valores de una variable de resultado continua dividiendo las observaciones en grupos mediante una secuencia de reglas jerárquicas sobre las variables de entrada.
• Error cuadrático medio: Medida de rendimiento de un método de estimación que se define como la raíz cuadrada de la suma de las desviaciones al cuadrado entre los valores reales y los valores predichos de las observaciones.
• Sensibilidad (recall): El porcentaje de observaciones reales de la clase 1 identificadas correctamente.
• Especificidad: El porcentaje de observaciones reales de clase 0 identificadas correctamente.
• Aprendizaje supervisado: Categoría de técnicas de minería de datos en la que un algoritmo aprende a clasificar o estimar una variable de resultado de interés.
• Conjunto de prueba: Conjunto de datos utilizado para calcular una estimación insesgada del rendimiento del modelo predictivo final.
• Conjunto de entrenamiento: Datos utilizados para construir modelos predictivos candidatos.
• Submuestreo: Técnica que equilibra el número de observaciones de clase 1 y clase 0 en un conjunto de entrenamiento eliminando las observaciones de clase mayoritaria del conjunto de entrenamiento.
• Inestable: Cuando pequeños cambios en el conjunto de entrenamiento hacen que las predicciones de un modelo fluctúen sustancialmente.
• Conjunto de validación: Datos utilizados para evaluar los modelos de predicción candidatos. Variable (feature): Característica o cantidad de interés que puede adoptar distintos valores.

Datos verificados por: Hellen

Recursos

Notas y Referencias

Véase También

• Nivel Empresarial
• Planificación de la Empresa
• Análisis Empresarial
• Limitaciones de la Planificación
• Análisis Cualitativo
• Análisis Cualitativo de Procesos
• Glosario del Pensamiento Económico
• Planificación Sectorial
• Planificación de la Producción
• Estructura Industrial
• Análisis de Input-output
• Zona del Dólar
• Zona de Libre Comercio
• Uniones Aduaneras
• Unión Aduanera
• Tipos de Sociedades Mercantiles en Canadá
• Tipos de Sociedades Mercantiles
• Teoría Marxista de las Relaciones del Derecho con la Economía
• Sistemas Económicos
• Responsabilidad Social de la Empresa
• Reforma Económica
• Análisis Económico
• Economía
• Planificación Económica
• Política Económica
• Principios de Gestión
• Propósito Empresarial

▷ Esperamos que haya sido de utilidad. Si conoces a alguien que pueda estar interesado en este tema, por favor comparte con él/ella este contenido. Es la mejor forma de ayudar al Proyecto Lawi.