Articles — Spanish

Trabajo realizado en la catedra fenomenos 3

informe de investigacion

El análisis estadístico de alta dimensión y tamaño de muestra pequeño (HDLSS) se está aplicando cada vez más en una amplia gama de contextos. En tales situaciones, se ve que el popular método de la Máquina de Vectores Soporte (SVM) sufre de ''Acumulación de datos'' en el margen, lo que puede disminuir la capacidad de generalización del modelo. Esto conduce al desarrollo de la Distance Weighted Discrimination para encontrar un hiperplano separador . En el presente trabajo se revisa y reproduce, con detalle en la derivación y solución de la función de pérdida que se resuelve usando SOCP, del método desarrollado en e implementado en el entorno R\cite{R}. Basado en el trabajo e implementación de se aplica y comparan resultados a conjuntos de datos reales y simulados (en medida de lo posible los mismos conjuntos de datos utilizados que en) Palabras clave: SVM, kernel, R (el ambiente de cómputo estadístico) y datos de alta dimensión con tamaño de muestra pequeño (data High Dimension Low Sample Size).

Este reporte tiene como objetivo principal conocer y comprender los comandos relacionados con el manejo de archivos y directorios, además de aquellos relacionados con el tema de rutas relativas y absolutas, listar contenidos y copiar texto entre archivos. El laboratorio se realiza a partir de las instrucciones dadas por el profesor, en las cuales se detalla cada paso y estos serán explicados en la sección de análisis de resultados. El manejo de estos comandos es importante para seguir comprendiendo los fundamentos básicos de la consola de Linux aprendidos en las primeras semanas de clases, con el fin de aplicarlos como un conjunto en un futuro.

Reporte

Presentación basada en artículo de Glen Whitman (2006).