TÉCNICAS DE VISUALIZACIón PARA MUCHOS ATRIBUTOS
¿Qué es?
Es el uso de representaciones gráficas de datos para facilitar el análisis e interpretación.
Título aquí
Título aquí
¿Cómo se representan?
+ info
VENTAJAS
DESVENTAJAS
Estimación del rendimiento de estudiantes
Generar un modelo predictivo del rendimiento académico usando modelos de clasificación para ayudar a mejorar el desempeño de los estudiantes prediciendo sus probabilidades de éxito o fracaso académico .
+ info
+ info
Mapas de calor
Puede utilizarse para resumir gráficamente la relación entre dos variables. El grado de correlación entre dos variables se representa mediante un código de colores.
Inserta un vídeo genialpara tu presentación
Y usa este espacio para describirlo. El contenido multimedia es esencial en una presentación, para dejar a todo el mundo con la boca abierta. Además, así sintetizarás el contenido y entretendrás a tu audiencia.
Universidad del Istmo Ingeniería en computación MINERÍA DE DATOS Técnicas de visualización para muchos atributos M.C.A. Guadalupe Toledo Toledo Shirley Acosta Alejos Décimo Jueves 26 de marzo del 2026
Gráfico de dispersión
Visualiza la relación entre dos variables continuas, cada punto del gráfico representa un único punto de datos, y la posición del punto en los ejes x e y representa los valores de las dos variables. Se usan en la exploración de datos para comprender rápidamente posibles correlaciones.
REFERENCIAS
Kolo, J., Adepoju, S., & Alhassan, J. (2020). Un enfoque de minería de datos para predecir el rendimiento académico. Recuperado de https://www.iiisci.org/journal/pdv/risci/pdfs/CB865XX20.pdf DataCamp. (2024). Técnicas de visualización de datos: tipos y mejores prácticas. Recuperado dehttps://www.datacamp.com/es/blog/data-visualization-techniques Akash. (2023). Dominando la complejidad: visualización multivariable en el análisis exploratorio de datos. Medium. Recuperado dehttps://medium.com/@ak7697512/mastering-complexity-multivariate-visualization-in-eda-9eea5139a79e Imarticus Learning. (2023). Técnicas de visualización de datos. Recuperado dehttps://imarticus-org.translate.goog/blog/data-visualization-techniques/ Pickl.ai. (2023). Ventajas y desventajas de la visualización de datos. Recuperado dehttps://www.pickl.ai/blog/advantage-and-disadvantages-of-data-visualization/
PCA (Análisis de Componentes Principales)
Técnica estadística de aprendizaje no supervisado utilizada para reducir la dimensionalidad de grandes conjuntos de datos, simplificándolos sin perder información esencial
t-SNE (t-Distributed Stochastic Neighbor Embedding)
Técnica no lineal de aprendizaje automático (no supervisado) para visualizar conjuntos de datos de alta dimensionalidad. Reduce la complejidad, generalmente a 2D , preservando la estructura de los datos para agrupar puntos similares y separar los distintos, facilitando la identificación de clústeres.
Interpretación obtenida
- Identificar patrones ocultos en los datos
- Detectar relaciones o correlaciones entre variables
- Encontrar grupos o clusters
- Identificar valores atípicos (outliers)
- Analizar tendencias generales
TÉCNICAS DE VISUALIZACIón PARA MUCHOS ATRIBUTOS
Miranda Toledo
Created on March 26, 2026
Start designing with a free template
Discover more than 1500 professional designs like these:
View
Akihabara Connectors Infographic
View
Essential Infographic
View
Practical Infographic
View
Akihabara Infographic
View
Vision Board
View
The Power of Roadmap
View
Artificial Intelligence in Corporate Environments
Explore all templates
Transcript
TÉCNICAS DE VISUALIZACIón PARA MUCHOS ATRIBUTOS
¿Qué es?
Es el uso de representaciones gráficas de datos para facilitar el análisis e interpretación.
Título aquí
Título aquí
¿Cómo se representan?
+ info
VENTAJAS
DESVENTAJAS
Estimación del rendimiento de estudiantes
Generar un modelo predictivo del rendimiento académico usando modelos de clasificación para ayudar a mejorar el desempeño de los estudiantes prediciendo sus probabilidades de éxito o fracaso académico .
+ info
+ info
Mapas de calor
Puede utilizarse para resumir gráficamente la relación entre dos variables. El grado de correlación entre dos variables se representa mediante un código de colores.
Inserta un vídeo genialpara tu presentación
Y usa este espacio para describirlo. El contenido multimedia es esencial en una presentación, para dejar a todo el mundo con la boca abierta. Además, así sintetizarás el contenido y entretendrás a tu audiencia.
Universidad del Istmo Ingeniería en computación MINERÍA DE DATOS Técnicas de visualización para muchos atributos M.C.A. Guadalupe Toledo Toledo Shirley Acosta Alejos Décimo Jueves 26 de marzo del 2026
Gráfico de dispersión
Visualiza la relación entre dos variables continuas, cada punto del gráfico representa un único punto de datos, y la posición del punto en los ejes x e y representa los valores de las dos variables. Se usan en la exploración de datos para comprender rápidamente posibles correlaciones.
REFERENCIAS
Kolo, J., Adepoju, S., & Alhassan, J. (2020). Un enfoque de minería de datos para predecir el rendimiento académico. Recuperado de https://www.iiisci.org/journal/pdv/risci/pdfs/CB865XX20.pdf DataCamp. (2024). Técnicas de visualización de datos: tipos y mejores prácticas. Recuperado dehttps://www.datacamp.com/es/blog/data-visualization-techniques Akash. (2023). Dominando la complejidad: visualización multivariable en el análisis exploratorio de datos. Medium. Recuperado dehttps://medium.com/@ak7697512/mastering-complexity-multivariate-visualization-in-eda-9eea5139a79e Imarticus Learning. (2023). Técnicas de visualización de datos. Recuperado dehttps://imarticus-org.translate.goog/blog/data-visualization-techniques/ Pickl.ai. (2023). Ventajas y desventajas de la visualización de datos. Recuperado dehttps://www.pickl.ai/blog/advantage-and-disadvantages-of-data-visualization/
PCA (Análisis de Componentes Principales)
Técnica estadística de aprendizaje no supervisado utilizada para reducir la dimensionalidad de grandes conjuntos de datos, simplificándolos sin perder información esencial
t-SNE (t-Distributed Stochastic Neighbor Embedding)
Técnica no lineal de aprendizaje automático (no supervisado) para visualizar conjuntos de datos de alta dimensionalidad. Reduce la complejidad, generalmente a 2D , preservando la estructura de los datos para agrupar puntos similares y separar los distintos, facilitando la identificación de clústeres.
Interpretación obtenida