Nested and Repeated Cross Validation for Classification Model With High-Dimensional Data

Abstract

Con la llegada de las tecnologias de alto rendimiento, los conjuntos de datos de alta dimension estan cada vez mas disponibles. Esto no solo ha abierto una nueva vision acerca de los sistemas biologicos, sino que tambien plantea desafios analiticos. Un problema importante es la seleccion de subconjuntos de variables y la prediccion de resultados futuros. Es crucial que los modelos no sean sobreajustados y que den resultados precisos con nuevos datos. Ademas, la identificaci on confiable de variables informativas con alto poder predictivo (seleccion de caracteristicas) es de interes en entornos clinicos. Proponemos un procedimiento de dos etapas para la seleccion de variables y la construccion de modelos de clasificacion, el cual utiliza un metodo de validacion cruzada anidada y repetida. Evaluamos nu\-estro enfoque utilizando tanto datos simulados como dos conjuntos de datos de expresion genica disponibles publicamente. El metodo propuesto mostro una precision predictiva comparativamente mejor para casos nuevos en comparacion con el metodo estandar de validacion cruzada.