Facebook
Twitter
YouTube
Instagram
    • español
    • English
  • Contacto
  • English 
    • español
    • English
  • Login
AboutAuthorsTitlesSubjectsCollectionsCommunities☰
JavaScript is disabled for your browser. Some features of this site may not work without it.
View Item 
    xmlui.general.dspace_homeCentros e Institutos de InvestigaciónCIAP. Centro de Investigaciones AgropecuariasInstituto de Patología VegetalPresentaciones a Congresosxmlui.ArtifactBrowser.ItemViewer.trail
  • DSpace Home
  • Centros e Institutos de Investigación
  • CIAP. Centro de Investigaciones Agropecuarias
  • Instituto de Patología Vegetal
  • Presentaciones a Congresos
  • View Item

Métodos de selección de predictores para la construcción de modelos de riesgo de enfermedad en cultivos a partir de variables climáticas

Abstract
La alta dimensionalidad y la correlación entre las múltiples variables candidatas a predictoras para la estimación de un modelo estadístico capaz de predecir la enfermedad de un cultivo en función del ambiente determina la necesidad de recurrir a herramientas metodológicas estadísticas que permitan reducir la dimensionalidad. El objetivo de este trabajo fue comparar el desempeño de métodos de selección de variables en su capacidad para detectar variables [ver mas...]
La alta dimensionalidad y la correlación entre las múltiples variables candidatas a predictoras para la estimación de un modelo estadístico capaz de predecir la enfermedad de un cultivo en función del ambiente determina la necesidad de recurrir a herramientas metodológicas estadísticas que permitan reducir la dimensionalidad. El objetivo de este trabajo fue comparar el desempeño de métodos de selección de variables en su capacidad para detectar variables climáticas relevantes para la construcción de un modelo logístico que será usado para la predicción de probabilidad de presencia de enfermedad en un patosistema. En este trabajo se compararon tres métodos de selección de variables: Método de Filtrado (F), algoritmo genético (AG) y Boruta (B), en tres patosistemas (MRCV en maíz, Begomovirus en poroto y en soja). Las variables seleccionadas por cada método fueron sometidas a un análisis de componentes principales (ACP) para una nueva reducción de dimensión y obtención de variables sintéticas no correlacionadas. El desempeño de los métodos comparados se evaluó mediante la estimación de la precisión, especificidad y sensibilidad para un modelo lineal predictivo. B y F fueron más eficientes en la predicción. La combinación de estos con el ACP aumentó la eficiencia del modelo de predicción [Cerrar]
Thumbnail
Author
Suarez, Franco;   Giannini Kurina, Franca;   Bruno, Cecilia;   Rodriguez Pardina, Patricia;   Gimenez, Maria De La Paz;   Reyna, Pablo Gastón;   Torrico Ramallo, Ada Karina;   Balzarini, Monica;  
Fuente
50 Jornadas Argentinas de Informática (50 JAIIO), Congreso Argentino de AgroInformática (CAI 2021), 18 al 29 de octubre de 2021 (virtual)
Date
2021-10-18
Editorial
Sociedad Argentina de Informática
ISSN
2525-0949
URI
http://hdl.handle.net/20.500.12123/10788
https://50jaiio.sadio.org.ar/Anales/Cai/Contribuciones
Formato
pdf
Tipo de documento
documento de conferencia
Palabras Claves
Enfermedades de las Plantas; Plant Diseases; Factores Climáticos; Climatic Factors; Boruta; Algoritmo Genético; Filtrado; Análisis Componentes Principales; Patosistema;
Derechos de acceso
Abierto
Descargar
Compartir
  • Compartir
    Facebook Email Twitter Mendeley
Excepto donde se diga explicitamente, este item se publica bajo la siguiente descripción: Creative Commons Attribution-NonCommercial-ShareAlike 2.5 Unported (CC BY-NC-SA 2.5)
Metadata
Show full item record