@Victor_G Gracias por la idea.Tomaremos esto en consideración.
¿Qué inspiró esta solicitud de lista de deseos?
Al construir modelos complejos basados en una gran cantidad de variables colineales/correlacionadas, hay varias posibilidades disponibles. Uno de ellos es transformar las variables en componentes principales, para luego crear un modelo basado en estos componentes principales para evitar problemas de colinealidad, reducir la dimensionalidad y mantener gran parte de la información inicial.
El problema que podría ocurrir en el modelado predictivo es la fuga de datos: la información del conjunto de validación y/o del conjunto de pruebas se utiliza en el preprocesamiento y/o en la construcción del modelo.
Esto puede suceder en la plataforma PCA si las filas de validación/prueba no están ocultas ni excluidas: si el PCA se realiza en todo el conjunto de datos y después de que los modelos se crean a partir de los datos de los componentes principales del entrenamiento, el modelo aún contiene una parte de la información de la validación. y conjuntos de prueba. La evaluación del modelo puede resultar sesgada ya que los resultados se evaluarían de forma demasiado "optimista".
¿Cuál es la mejora que le gustaría ver?
En cuanto a otras plataformas (consulte Ajustar modelo a continuación), me gustaría tener una función de validación al iniciar el cuadro de diálogo de la plataforma PCA, de modo que la PCA se cree con las filas de entrenamiento y se aplique en las filas de validación y prueba:
¿Por qué es importante esta idea?
La función de validación de PCA permitiría al usuario ser más consciente de esta situación de fuga de datos cuando construye modelos predictivos. También es parte de las mejores prácticas dividir el conjunto de datos primero en conjuntos de entrenamiento/válidos/de prueba antes de realizar cualquier transformación/modelo, por lo que agregar esta función de validación impondría una mejor práctica confiable para los usuarios.
Finalmente, también sería más fácil usar PCA de una manera más confiable como paso de preprocesamiento para modelos predictivos con esta característica, en lugar de excluir filas manualmente o mediante scripts.
