Selección de taxones separables en datos composicionales multiclase con ajuste por covariables

R. Alberich Martí, N. A. Cruz Gutierrez, R. Fernández Peralta, I. García Mosquera, A. Mir Torres, F. Rosselló Llompart

La selección de variables en datos composicionales plantea desafíos, especialmente en clasificación multiclase y en presencia de covariables. Proponemos una metodología para identificar taxones separables basada en modelos penalizados sobre cocientes logarítmicos y en el área bajo la curva ROC multiclase. El procedimiento combina filtrado de componentes raros, imputación de ceros y transformación log-ratio con modelos de regresión multinomial por pares ajustados por covariables. La propuesta se evalúa con datos sintéticos, controlando distintos niveles de cambio en la abundancia, y se compara con otros métodos, entre ellos MUVR2, que incorpora bosques aleatorios, mínimos cuadrados parciales y regresión penalizada elastic net. Además, se ilustra en datos de cribado de cáncer colorrectal. Los resultados muestran un método competitivo, interpretable y escalable para la selección de variables en datos composicionales.

Keywords: clasificación multiclase, taxones separables, ajuste por covariables

Classification and Pattern Recognition
September 2, 2026  11:20 AM
Aula 22

M. Castellano, N. Acar Denizli

E. Junquera Álvarez, I. Díaz, B. Remeseiro

L. Muñoz Garatachea, L. Muñoz Garatachea, N. Ayuso Escuer, R. Trillo Lado