Estudio comparativo de métodos espectrales para reducción de la dimensionalidad: LDA versus PCA

Este trabajo presenta un estudio comparativo con metodos de reduccion de la dimension lineal, tales como: Analisis de Componentes Principales & Analisis Discriminante Lineal. El estudio pretende determinar, bajo criterios de objetividad, cual de estas tecnicas obtiene el mejor resultado de separabilidad entre clases. Para la validacion experimental se utilizan dos bases de datos, del repositorio cientifico (UC Irvine Machine Learning Repository), para dar tratamiento a los atributos del data-set en funcion de confirmar visualmente la calidad de los resultados obtenidos. Las inmersiones obtenidas son analizadas, para realizar una comparacion de resultados del embedimiento representados con RNX(K), que permite evaluar el area bajo la curva, del cual asume una mejor representacion en una topologia global o local que posteriormente genera los graficos de visualizacion en un espacio de menor dimension, para observar la separabilidad entre clases conservando la estructura global de los datos.