Píldoras sobre medicina basada en pruebas
Píldoras sobre medicina basada en pruebas
Contrario a lo que podría pensarse, la inclusión de un número elevado de variables en un modelo de regresión lineal puede ser contraproducente para su rendimiento, produciendo un sobreajuste de los datos y disminuyendo la capacidad de generalización. Es la conocida como maldición de la multidimensionalidad.
La manipulación visual de los datos utilizando gráficos mal diseñados puede distorsionar su interpretación. Se describen los errores más comunes, como la omisión de ejes, escalas manipuladas y gráficos circulares confusos, que pueden inducir a conclusiones erróneas. Aprender a detectar estos errores nos permitirá mejorar la capacidad de análisis visual e interpretación de los datos.
El sobreajuste ocurre cuando un algoritmo aprende en exceso los detalles de los datos de entrenamiento, capturando no solo la esencia de la relación entre ellos, sino también el ruido aleatorio que siempre va a estar presente. Esto afecta negativamente su rendimiento y su capacidad de generalización cuando introduzcamos datos nuevos, no vistos durante el entrenamiento.
Los árboles de decisión simples tienen el problema de ser menos precisos que otros algoritmos de regresión o clasificación, además de ser poco robustos ante pequeñas modificaciones de los datos con los que se elaboran. Se describen algunas técnicas para elaborar árboles de decisión combinados, como las de agregación por remuestreo y los bosques aleatorios, que tienen como objetivo mejorar la exactitud de las predicciones y evitar el sobreajuste de los modelos.
La prueba de Egger es el método cuantitativo más popular para valorar la asimetría del gráfico en embudo. Se basa en un modelo de regresión lineal entre la medida de efecto y la precisión de los estudios. Un valor del intercepto distinto de cero indica asimetría en el gráfico en embudo y posible sesgo de publicación.