000125497 001__ 125497 000125497 005__ 20230420124047.0 000125497 037__ $$aTAZ-TFG-2022-2802 000125497 041__ $$aspa 000125497 1001_ $$aQuílez Miguel, María 000125497 24200 $$aDimensionality reduction methods: PCA vs tSNE 000125497 24500 $$aMétodos de reducción de la dimensionalidad: ACP vs t-SNE 000125497 260__ $$aZaragoza$$bUniversidad de Zaragoza$$c2022 000125497 506__ $$aby-nc-sa$$bCreative Commons$$c3.0$$uhttp://creativecommons.org/licenses/by-nc-sa/3.0/ 000125497 520__ $$aSe presentan y comparan dos técnicas de visualización y reducción de la dimensionalidad: una lineal, componentes principales, y otra no lineal, t-Distributed Stochastic Neighbor Embedding. El Análisis de Componentes Principales se encarga de construir nuevas variables que sintetizan la información de las iniciales manteniendo su variabilidad. La técnica t-SNE proporciona una visualización dando a cada punto del espacio de dimensión alta una ubicación en el espacio de baja dimensión. Esta técnica es una mejora del Stochastic Neighbor Embedding debido a su menor coste de computación y a su solución ante el "crowding problem". Se presentan una serie de visualizaciones de ambas técnicas en dos conjuntos de datos diferentes.<br /><br /> 000125497 521__ $$aGraduado en Matemáticas 000125497 540__ $$aDerechos regulados por licencia Creative Commons 000125497 700__ $$aAlcalá Nalvaiz, José Tomás$$edir. 000125497 7102_ $$aUniversidad de Zaragoza$$bMétodos Estadísticos$$cEstadística e Investigación Operativa 000125497 8560_ $$f777299@unizar.es 000125497 8564_ $$s1044858$$uhttps://zaguan.unizar.es/record/125497/files/TAZ-TFG-2022-2802.pdf$$yMemoria (spa) 000125497 909CO $$ooai:zaguan.unizar.es:125497$$pdriver$$ptrabajos-fin-grado 000125497 950__ $$a 000125497 951__ $$adeposita:2023-04-20 000125497 980__ $$aTAZ$$bTFG$$cCIEN 000125497 999__ $$a20220626201643.CREATION_DATE