Análisis de datos cuando hay muchas más columnas que filasHola todos
Me gustaría pedir su ayuda porque tengo un conjunto de datos con:
- en columnas, parámetros de proceso de una línea de producción de acero galvanizado
- en filas, bobinas que han sido procesadas en esta línea de producción
El objetivo es correlacionar una cantidad de defectos que aparecen en una bobina con uno o varios parámetros del proceso.
Lamentablemente, tengo un conjunto de datos con muchas más columnas (407) que filas (63).
¿Tiene algún consejo sobre cómo proceder?
AnalíticaRe: Análisis de datos cuando hay muchas más columnas que filasHola @stephanegeorges ,
Hay muchas opciones, dependiendo de si está en JMP o JMP Pro.
Antes de pasar directamente al análisis, visualizaría las correlaciones entre los parámetros del proceso y entre los parámetros del proceso y la respuesta (valores predeterminados), ya que esto podría dar una indicación sobre las variables correlacionadas y las entradas influyentes para el análisis de los valores predeterminados (plataforma "Multivariante" en Analizar -> métodos multivariados).
A continuación, algunas opciones a tener en cuenta:
-JMP:
- Un primer enfoque podría ser hacer un análisis de componentes principales (PCA) y luego tratar de modelar la respuesta predeterminada con estos parámetros de PCA. Pero este enfoque le hará perder algo de explicabilidad sobre qué factores afectan los valores predeterminados, ya que se combinarán en las variables PCA.
- Otra opción sería probar los mínimos cuadrados parciales (PLS), un enfoque muy eficiente cuando se trata de muchas variables correlacionadas y muy pocas observaciones. Se utiliza, por ejemplo, en el análisis espectral, donde tiene pocas observaciones pero muchos datos de entrada (transmitancia/intensidad para cada longitud de onda, por ejemplo).
- Lo que también puede ser interesante es probar Predictor Screening para tener una visión general sobre qué factores son los más importantes.
-JMP Pro:
- En lugar de la detección Predictor, puede probar "Bosque aleatorio", donde tendrá mucha más información sobre el modelo y la posibilidad de guardar la fórmula. Dado que RF utiliza el empaquetado de características para cada árbol, puede estar seguro de que incluso en el caso de multicolinealidad y más parámetros que observaciones, cada parámetro tendrá la misma probabilidad de ser seleccionado en un árbol, por lo que tendrá una buena visión de qué factores afectar los valores predeterminados.
- También puede ver modelos de regresión generalizada con métodos de estimación penalizados como Lasso, Ridge o Elastic Net.
Estos son los modelos/técnicas que probaría primero antes de probar métodos más complejos.
Dejo que los expertos de esta comunidad completen mis respuestas 
Espero que esto ayude,
