Introducing
Your new presentation assistant.
Refine, enhance, and tailor your content, source relevant images, and edit visuals quicker than ever before.
Trending searches
96
Algoritmo QUEST
Santiago Felipe Suarez - 20152025034
Laura Marcela Ramirez - 20152025846
¿Que es?
Conceptos preliminares
Quick, Unbiased, Efficient, Statistical Tree
Es un algoritmo que permite generar árboles de clasificación y de regresión.
Los árboles generados por este algoritmo son binarios.
El algoritmo fue propuesto por Wei-Yin Loh y Yu-Shan Shih en 1997
Es un algoritmo que realiza la construcción del árbol de manera inversa a los otros métodos tradicionales. En lugar de fusionar categorías dentro de una variable y después seleccionar la variable el algoritmo QUEST determina primero la mejor variable y después determina el mejor corte o división dentro de ella.
Tipos de variable
Los tipos de variables independientes que se pueden usar en este algoritmo son cuantitativas y cualitativas (Categóricas y Ordinales)
Tipos de variables
El tipo de variable dependiente es cualitativa (Categórica)
La fusion de este algoritmo es de tipo binario, la fision es significacion
Ajustes del Arbol
La poda de este arbol de decision se da a partir de la estimacion del error.
Existe un valor denominado critico G(t) que permite podar el arbol eliminando las ramas en donde este valor sea minimo
Poda de árbol y Error
Apliaciones
Algoritmo QUEST para clasificar flores por el tamaño de sus pétalos
Comparación
Algoritmo FACT para clasificar flores por el tamaño de sus pétalos
Aplicacion
Ejemplo
Arbol usando algoritmo quest para conocer el rendimiento de los estudiantes en su primer año
División respecto al tipo de variable
Variables
Cuando la variable independiente es cualitativa nominal se utiliza el estadístico X2 de Pearson
Cuando la variable independiente es cuantitativa se utiliza el estadístico F
En el caso de que ninguna variable presente significancia, se aplica la prueba Levene en los predictores cuantitativos
Debido a que las variables dependientes del algoritmo son cualitativas, es necesario hacer pruebas de significancia entre las variables independientes y dependientes
¿Quieres?
¿Quieres conocer los procedimientos de los algoritmos mas elaborados del QUEST?
Debilidades
Fortalezas
Debido a la división binaria el árbol resultante puede quedar demasiado alto
Permite especificar variables sustitutas para valores perdidos en algún nodo en particular
Fortalezas y debilidades
Al tener variables dependientes cualitativas es necesario transformar las variables independientes cuando no lo son
La ramificación del árbol no se ve afectada por el número de categorías
Debido a las particiones binarias el árbol puede resultar confuso por tener tantas particiones de una misma variable
Tiempo de procesamiento menor al de CART
Clasificación de potencial de agua subterránea en el área de Chaoyang basado en el algoritmo QUEST
El autor en este artículo utiliza algunos de estos parámetros tradicionales como uso del suelo, pendiente, topografía, etc. y además agrega índices de normalidad y el algoritmo QUEST para generar un mapa que represente el agua subterránea en el área
Se utilizan 21 pozos de drenaje para el aprendizaje del algoritmo divididos en 4 categorías muy bueno, bueno, moderado y pobre referentes al agua subterránea presente en el área de estudio
Aplicación del algoritmo
Litologia
Mapa 1
Geomorfologia
Mapa 2
Pendiente
Mapa 3
Indice de Vegetación Normalizado
Indices
Indice de Diferencia de Agua Normalizado
NDWI
Arbol de clasificación de agua subterranea
Resultados
Mapa de Clasificación de potencial de agua subterranea
Mapa
Ejercicio
Ejercicio Practico
#2
... Ahora
Bibliografía
ORTIZ-LOZANO, J., RUA VIEITES, A. and BILBAO CALABUIG, P., 2017. APLICACION DE ARBOLES DE CLASIFICACION A LA DETECCION PRECOZ DE ABANDONO EN LOS ESTUDIOS UNIVERSITARIOS DE ADMINISTRACION Y DIRECCION DE EMPRESAS. Revista Electrónica de Comunicaciones y Trabajos de ASEPUMA, 18(1), pp.177-201.
Huajie, D., Zhengdong, D. and Feifan, D., 2016. CLASSIFICATION OF GROUNDWATER POTENTIAL IN CHAOYANG AREA BASED ON QUEST ALGORITHM.
Loh, W. and Shih, Y., 1997. SPLIT SELECTION METHODS FOR CLASSIFICATION TREES.
Silvente, V., Rubio, M. and Vilà, R., 2013. Cómo aplicar árboles de decisión en SPSS.
Rojo, J., 2006. ÁRBOLES DE CLASIFICACIÓN Y REGRESIÓN.