Mejora de la predicción en tareas de aprendizaje automático supervisado : imputación de valores perdidos

Abstract

Trabajo de Máster en Economía, Finanzas y Computación. Tutor: Dr. D. Antonio J. Tallón Ballesteros. En el presente trabajo, se analiza y estudia la problemática recurrente que suelen presentar las bases de datos: los missing data o valores perdidos. Se evalúan seis métodos de imputación tras su aplicación a conjuntos datos de regresión en presencia de valores ausentes. Además, se determinan los porcentajes de mejora en la predicción según RMSE (raíz del error cuadrático medio) y R2 para tres algoritmos diferentes en ocho bases de datos, siendo el objetivo central del mismo determinar si existe un método de imputación con mejor rendimiento para todos los casos donde existan valores perdidos, o por el contrario, resulta conveniente adoptar distintos procedimientos de imputación de acuerdo al método de regresión aplicado y a la base de datos analizada.

In this work, the recurring problems which databases usually present are analyzed and studied: missing data or missing values. Six imputation methods are assessed after its application to regression data sets are evaluated in the presence of missing values. In addition, the improvement percentages in the prediction according to Root Mean Squared Error (RMSE) and R2 are determined for three different algorithms in eight databases, being the main goal to determine where there is an ideal imputation method with the best performance for all cases where there are missing values, or on the contrary, it is convenient to adopt different imputation procedures according to the applied regression method and the analyzed database.