Resumen en español

En la actualidad, existen bastantes conceptos erróneos generalizados sobre el análisis de datos exploratorios (EDA). Una de estas percepciones erróneas es que se dice que EDA se opone al modelado estadístico. En realidad, la esencia de EDA no consiste en dejar de lado todos los modelos y preconceptos; más bien, se insta a los investigadores a no comenzar el análisis solo con una fuerte preconcepción, por lo que el modelado sigue siendo legítimo en EDA. Además, la naturaleza de EDA ha ido cambiando debido a la aparición de nuevos métodos y la convergencia entre EDA y otras metodologías, como la extracción de datos y el remuestreo. Por lo tanto, los marcos conceptuales convencionales de EDA podrían ya no ser capaces de hacer frente a esta tendencia. En este artículo, la EDA se introduce en el contexto de la extracción y remuestreo de datos con un énfasis en tres objetivos: detección de conglomerados, selección de variables y reconocimiento de patrones. La agrupación de dos pasos, los árboles de clasificación y las redes neuronales, que son técnicas poderosas para lograr los objetivos anteriores, respectivamente, se ilustran con ejemplos concretos.