book

Generación Práctica de Datos Sintéticos

by Khaled El Emam, Lucy Mosquera, Richard Hoptroff

October 2024

Intermediate to advanced

166 pages

4h 57m

Spanish

O'Reilly Media, Inc.

Read now

Unlock full access

Convenciones utilizadas en este libroAprendizaje en línea O'ReillyCómo contactar con nosotrosAgradecimientos
Definición de datos sintéticosSíntesis a partir de datos realesSíntesis sin datos realesSíntesis y utilidadLas ventajas de los datos sintéticosAcceso eficaz a los datosPermitir mejores análisisDatos sintéticos como proxyAprender a confiar en los datos sintéticosCasos prácticos de datos sintéticosFabricación y distribuciónSanidadServicios financierosTransporteResumen
Cuándo sintetizarEspectro de identificabilidadCompromisos en la selección de PET para permitir el acceso a los datosCriterios de decisiónPET consideradasMarco de decisiónEjemplos de aplicación del marco de decisiónProyectos de síntesis de datosPasos de la síntesis de datosPreparación de datosEl proceso de síntesis de datosGestión del Programa de SíntesisResumen
Datos de encuadreCómo se distribuyen los datosAjustar distribuciones a datos realesGenerar datos sintéticos a partir de una distribuciónMedir la adecuación de los datos sintéticos a una distribuciónEl dilema del sobreajusteUn poco de escarda ligeraResumen
Marco de Utilidad de Datos Sintéticos: Replicación del AnálisisMarco de Utilidad de Datos Sintéticos: Métricas de UtilidadComparación de distribuciones univariantesComparación de estadísticas bivariantesComparación de modelos de predicción multivarianteDistinguibilidadResumen
Generar datos sintéticos a partir de la teoríaMuestreo de una distribución normal multivarianteInducir Correlaciones con Distribuciones Marginales EspecificadasCópulas con distribuciones marginales conocidasGenerar datos sintéticos realistasAjustar datos reales a distribuciones conocidasUtilizar el aprendizaje automático para ajustar las distribucionesDatos sintéticos híbridosMétodos de aprendizaje automáticoMétodos de aprendizaje profundoSintetizar secuenciasResumen
Tipos de divulgaciónRevelación de identidadAprender algo nuevoDivulgación de atributosRevelación inferencialDivulgación significativa de la identidadDefinir la ganancia de informaciónReunirlo todoPartidos únicosCómo afecta la ley de privacidad a la creación y uso de datos sintéticosCuestiones en el marco del GDPRCuestiones en el marco de la CCPACuestiones en el marco de la HIPAADictamen del Grupo de Trabajo del Artículo 29Resumen
Gestión de la complejidad de los datosPara cada paso de preprocesamiento hay un paso de postprocesamientoTipos de campoLa necesidad de normasNo todos los campos tienen que sintetizarseSintetizar fechasSintetizar la geografíaCampos y tablas de búsquedaDatos que faltan y otras características de los datosSíntesis parcialOrganizar la síntesis de datosCapacidad de cálculoUna caja de herramientas de técnicasSintetizar cohortes frente a conjuntos de datos completosAlimentación continua de datosGarantía de privacidad como certificaciónRealizar estudios de validación para conseguir apoyoPruebas de Intruso Motivado¿Quién es el propietario de los Datos Sintéticos?Conclusiones

Content preview from Generación Práctica de Datos Sintéticos

Capítulo 5. Métodos de síntesis de datos

Este trabajo se ha traducido utilizando IA. Agradecemos tus opiniones y comentarios: translation-feedback@oreilly.com

Tras describir algunos métodos básicos para el ajuste de distribuciones en el último capítulo, ahora utilizaremos estos conceptos para generar datos sintéticos. Empezaremos con algunos enfoques básicos y llegaremos a otros más complejos a medida que avance el capítulo. Más adelante nos referiremos a técnicas más avanzadas que quedan fuera del alcance de un texto introductorio, pero lo que cubrimos debería darte una buena introducción.

Generar datos sintéticos a partir de la teoría

Consideremos la situación en la que el analista no dispone de datos reales para empezar, pero tiene cierta comprensión del fenómeno que quiere modelizar y para el que quiere generar datos. Por ejemplo, supongamos que queremos generar datos que reflejen la relación entre la altura y el peso. En general, se sabe que la altura y el peso están asociados positivamente.

Según los Centros para el Control de Enfermedades, la estatura media de los hombres en EE.UU. es de aproximadamente 175 cm,¹ y para nuestro ejemplo supondremos una desviación típica de 5 cm. El peso medio es de 89,7 kg, y supondremos una desviación típica de 10 kg. Para nuestro ejemplo, las modelizaremos como distribuciones normales (gaussianas o en forma de campana) y supondremos que la correlación entre ellas es de 0,5. Según las directrices de Cohen para la interpretación de los tamaños ...