Filtro Univariante

Selecciona los atributos más relevantes de una tabla de datos mediante métodos de filtro univariante.

Descripción

Este widget evalúa cada atributo por separado frente a la variable objetivo (target) usando una función de puntuación estadística, sin entrenar ningún modelo predictivo. Es el enfoque más rápido y sencillo de selección de atributos.

Entradas

• Data: una tabla de datos de Orange con una variable objetivo definida.

Salidas

• Data: la misma tabla, con solo los atributos seleccionados. La variable objetivo y los metadatos se conservan siempre.

1. Método de selección

Método	Qué hace
SelectKBest	Se queda con los k atributos de mayor puntuación.
SelectPercentile	Se queda con un porcentaje de los atributos con mayor puntuación.
SelectFpr	Descarta atributos cuyo p-valor supera alpha (tasa de falsos positivos).
SelectFdr	Igual que SelectFpr pero controlando la tasa de descubrimientos falsos (más estricto con muchos atributos).
SelectFwe	Igual que SelectFpr pero controlando el error familiar (el más conservador de los tres).

2. Función de puntuación (scoring)

El widget detecta automáticamente si la variable objetivo es categórica (clasificación) o numérica (regresión), y solo deja activas las funciones compatibles con ese tipo de problema:

Función	Tipo de problema	Notas
chi2	Clasificación	Requiere que todos los atributos sean no negativos.
f_classif	Clasificación	ANOVA F entre cada atributo y las clases.
f_regression	Regresión	Correlación lineal (F-test) entre cada atributo y el target.
r_regression	Regresión	Coeficiente de correlación de Pearson.

3. Resultado

El widget envía a su salida la misma tabla de datos, pero con solo los atributos seleccionados.

Notas importantes

• Los datos de entrada deben tener una variable objetivo (target) definida.

• Si usas chi2 y tienes valores negativos, normaliza antes los datos (por ejemplo con el widget «Normalize» de Orange).

• Si hay valores ausentes, imputa antes con el widget «Impute» de Orange: las funciones de puntuación de scikit-learn no admiten valores faltantes.