Platzi
Platzi

LA EDUCACIÓN ES UN REGALO ¡ACCEDE AL PRECIO ESPECIAL!

Antes: $249
$149
Currency
Antes: $249
Ahorras: $100
COMIENZA AHORA
Termina en: 20D : 19H : 41M : 30S

Comparación del EDA con el análisis clásico y el análisis bayesiano

3/25
Recursos

Aportes 18

Preguntas 2

Ordenar por:

Los aportes, preguntas y respuestas son vitales para aprender en comunidad. Regístrate o inicia sesión para participar.

Comparación del EDA con el análisis clásico y el análisis bayesiano

¿Cuáles son las características entre análisis clásico/estadístico, análisis clásico y análisis bayesiano?

Análisis clásico Análisis bayesiano EDA
Resultados directo a la comunicación Prior probability Cambio dinámico
  • Análisis clásico: Aquí simplemente mostramos los resultados, no importa que pase con esa información, no importa que es lo que significa o que hubo antes como tal, solo se presenta un análisis clásico, un análisis de medias, un análisis estadístico, pero no se da un contexto de un problema que vayamos a resolver.
  • Análisis bayesiano: Siempre considera que es la distribución a priori, es decir que es lo que paso anteriormente para yo predecir el futuro, pero aveces no toma en consideración que es lo que puede pasar con este modelo, que mas podemos entender y que otro tipo de variables podemos meter.
  • EDA: Este es totalmente dinámico, puede regresar para entender lo que está pasando y al final lanzar un modelo de ML, DP, alguna automatización o alguna mejora para el negocio que le dé una ganancia, por eso es muy importante para entender que el EDA, parte del contexto del negocio, parte de una serie de hipótesis para hacer un análisis dinámico para entender que valor y que propuesta voy a dar.

Análisis Clásico: Parte del contexto de los datos para generar desarrollo y posterior análisis pero no se puede tener un dinamismo claro.
Análisis Bayesiano: Parte del contexto de datos a priori donde generaremos un modelo de probabilidad pero no tendremos una retroalimentacion para posterior actuar con esto.
EDA: Parte del contexto del negocio donde generamos un modelo donde se puede tomar un problema real del negocio, en el cual se puede actuar y retroalimentar para dar un mejor resultado

Data driven significa literalmente “manejado por datos” y se refiere a un tipo de cultura en una empresa donde no se toman decisiones por intuición si no decisiones respaldada por información de estudios hechos a partir de los datos que la misma empresa genera.

Yo me atrevo a decir que las empresas son como un medico con un enfermo, si el medico no cuenta con estudios y/o examenes acerca del estado del paciente puede tomar decisiones equivocadas o tal vez no las mejores decisiones, en cambio si tiene estudios que respalden sus hipotesis va a mejorar significativamete la calidad de vida del paciente.

La finalidad de un EDA sería:
Basado en el conocimiento del negocio, entender como resolver el problema encontrando un valor al negocio (insigths) y proponiendo un modelo para producción

Creo que con el análisis clásico también ya llevamos una hipótesis a priori o unos supuestos de como se debe comportar un fenómeno, especialmente con el tema de causalidad. Creo que en el EDA estamos más abiertos a lo que los datos del negocio nos puedan arrojar.

Interesantes las diferencias y lo que se puede llegar a hacer con el EDA.

Que es el feature engineering?

Rayos, todo este tiempo solo he mostrado análisi clásico y bayesiano.

La principal diferencia entre el EDA y el análisis estadístico es que en el primero buscamos descubrir cosas nuevas mientras que en último buscamos comprobar alguna de nuestras hipótesis.

  • Data Mining and Predictive Analytics (Wiley)

EDA Steps

Cuando los estudiantes presentan gráficos y estadísticas la mayoría de las veces solo muestran los resultados de los análisis muy clásico y bayesiano… un Maestro explicaba que era como ir al medico y te dijera estas enfermo, aja diría se que estoy enfermo pero que hago para curarme … en gerencia pasa mucho esto.

muy buena la manera en como el EDA puede complementarse con lo modelos.

Interesante esta comparación de modelos.

Creo que eso resume un poco uno de los vicios geeks, que al tener una nueva tecnología la queremos aplicar en todo.
Como entiendo el EDA es ese paso que nos dice:
¿Venga esta si es la mejor forma de hacerlo o existe otra? Comprendamos mejor lo que tenemos y necesitamos. Para dar la mejor solución.

En el data analysis clasico y bayeseano, el modelo va antes del data analysis, en cambio en el análisis exploratorio, primero se analizan los datos para proponer un modelo.