📊 statistics

Local depth-based classification of directional data

Este trabajo propone un método de clasificación para datos direccionales basado en una noción local de función de profundidad aplicada al gráfico DD, el cual se valida mediante un estudio de simulación exhaustivo y dos ejemplos con datos reales.

Autores originales: Giuseppe Gismondi, Rebecca Rivieccio, Giuseppe Pandolfo

Publicado 2026-02-24

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Giuseppe Gismondi, Rebecca Rivieccio, Giuseppe Pandolfo

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

¡Claro que sí! Imagina que este artículo es una historia sobre cómo organizar y clasificar cosas que no tienen un "arriba" o un "abajo", sino que giran en todas direcciones.

Aquí tienes la explicación en español, usando analogías sencillas:

🌍 El Problema: El Mapa de las Direcciones

Imagina que tienes un montón de datos que no son números normales (como la altura o el peso), sino direcciones.

Podrían ser la dirección del viento.
Podrían ser hacia dónde miran los pájaros al volar.
Podrían ser las preferencias de compra de clientes (que se pueden transformar en direcciones en un espacio multidimensional).

En matemáticas, estas direcciones viven en la superficie de una esfera (como una pelota de fútbol). El problema es que en una esfera no hay un "principio" ni un "final". No puedes decir que un punto es "mayor" que otro como haces con los números en una línea recta.

🔍 La Herramienta Vieja: El "Profundímetro" Global

Para clasificar estos datos (por ejemplo, separar el viento del norte del del sur), los estadísticos usan algo llamado "Profundidad".

La analogía: Imagina que la esfera es una piscina llena de gente. La "profundidad" mide qué tan cerca está una persona del centro de la piscina. Si estás en el centro, eres "profundo" (típico). Si estás en el borde, eres "superficial" (atípico).

El método tradicional (llamado Profundidad Global) mira a toda la piscina de una sola vez.

El fallo: Funciona muy bien si toda la gente está agrupada en un solo grupo en el centro. Pero, ¿qué pasa si hay tres grupos diferentes de personas en tres esquinas distintas de la piscina? El método global se confunde, piensa que hay un solo centro gigante y no logra separar a los tres grupos. Es como intentar describir un país con tres ciudades principales diciendo que "todo el mundo vive en el centro del país".

💡 La Nueva Idea: El "Profundímetro" Local

Los autores de este paper proponen una solución brillante: La Profundidad Local (LCDD).

La analogía: En lugar de mirar a toda la piscina de una vez, el nuevo método le pregunta a cada persona: "¿Quiénes son tus vecinos más cercanos?".
Si estás en un grupo de amigos, el método solo mira a tus amigos cercanos para decirte qué tan "centro" eres dentro de tu grupo.
Si hay tres grupos separados, el método local ve tres centros distintos y puede separarlos perfectamente.

¿Cómo funciona técnicamente?
El método toma un punto, mira a sus vecinos más cercanos (digamos, el 5% o el 10% de los datos más próximos) y calcula la profundidad solo dentro de ese pequeño círculo. Si cambias el tamaño del círculo (el parámetro $\beta$ ), puedes ver la estructura de los datos a diferentes escalas.

⚔️ La Batalla: El Torneo de Clasificación (DD-Plot)

Para ver si su nueva idea funciona, los autores organizaron un torneo contra el método viejo. Usaron una técnica llamada DD-Plot (Gráfico de Profundidad vs. Profundidad).

La analogía: Imagina un campo de batalla donde cada punto de datos tiene dos coordenadas: su "profundidad" en el Grupo A y su "profundidad" en el Grupo B.
- El método viejo (Global) dibuja una línea recta o una curva simple para separar los grupos.
- El método nuevo (Local) dibuja una línea mucho más inteligente que se adapta a las formas extrañas de los grupos.

Los Resultados del Torneo:

Datos simples: Si los datos son fáciles (un solo grupo), ambos métodos funcionan igual de bien.
Datos complejos: Si los datos tienen varios grupos o formas raras (como anillos o múltiples nubes), el método Local gana por goleada. El método viejo se queda atascado y comete muchos errores.
Ruido: Si los datos son muy "sucios" o desordenados (muchas personas gritando en la piscina), ambos métodos tienen dificultades, pero el local sigue siendo un poco más robusto.

🌍 Ejemplos del Mundo Real

Para demostrar que no es solo teoría, probaron su método con dos casos reales:

Clientes de un mayorista:
- El problema: Clasificar clientes en "Hoteles/Restaurantes" vs. "Tiendas minoristas" basándose en lo que compran.
- El resultado: El método local encontró patrones ocultos que el global no vio. Mejoró la clasificación en un 4.5%. Es como si el método local hubiera notado que un cliente compra cosas para un hotel, pero el global pensó que era una tienda porque miró el promedio de todos.
Filtro de SPAM (Correo basura):
- El problema: Distinguir correos reales de basura entre miles de palabras.
- El resultado: ¡Aquí el método local fue increíble! Mejoró la precisión en un 8%. En un mundo con tantos datos (57 variables), el método local pudo encontrar los "vecinos" exactos que definían un correo como spam, ignorando el ruido de fondo.

🏁 Conclusión

En resumen, este paper nos dice:

"Cuando intentas organizar cosas que giran en todas direcciones (datos direccionales), no mires todo el mapa de una vez. Acércate y mira a los vecinos."

La Profundidad Local es como tener una lupa que te permite ver los pequeños grupos dentro de un caos grande, haciendo que la clasificación sea mucho más precisa, especialmente cuando los datos no son simples y ordenados.

¡Es una herramienta más flexible y lista para el mundo real, donde las cosas rara vez son perfectas y simples!

1. Planteamiento del Problema

Los datos direccionales (vectores unitarios o observaciones en la superficie de una hipersfera unitaria $S^{q-1}$ ) son comunes en campos como la geología, la meteorología y la psicología. Un desafío fundamental en el análisis de estos datos es la falta de un orden natural y la dificultad para definir medidas de centralidad robustas, especialmente cuando las distribuciones de datos son multimodales o tienen estructuras no convexas.

Las funciones de profundidad estadística tradicionales (como la profundidad angular de Tukey o la simplicial) ofrecen un ordenamiento "de centro hacia afuera", pero suelen ser globales. Esto significa que miden la centralidad de un punto respecto a toda la distribución. En distribuciones complejas con múltiples modos, una profundidad global puede fallar al identificar centros locales, asignando valores de profundidad bajos a puntos que son centrales dentro de un subgrupo específico pero periféricos en la distribución global. Esto limita la eficacia de los clasificadores basados en profundidad (como el clasificador DD - Depth vs. Depth) en escenarios realistas.

2. Metodología Propuesta

El objetivo principal del trabajo es definir y aplicar una profundidad local para datos direccionales, específicamente una versión local de la Profundidad de Distancia Coseno (CDD), integrada en un clasificador DD.

A. Profundidad de Distancia Coseno (CDD) Global

La CDD global mide la centralidad de un punto $x$ respecto a una distribución $F$ basándose en la distancia coseno promedio:
$CDD(x, F) = 2 - E_F[d_{cos}(x, W)]$
donde $d_{cos}(x, w) = 1 - \langle x, w \rangle$ . Aunque computacionalmente eficiente, es una medida global.

B. Definición de la Profundidad de Distancia Coseno Local (LCDD)

Para capturar la estructura local, los autores proponen la LCDD. La metodología se basa en los siguientes pasos teóricos:

Reflexión Simétrica: Se define un operador de reflexión $R(x_j, x_i)$ de un punto $x_j$ a través de un punto $x_i$ en la hipersfera.
Muestra Augmentada: Para un punto $x_i$ , se crea una muestra aumentada $X_{R_i}$ que incluye la muestra original y los puntos reflejados de los demás observadores respecto a $x_i$ .
Entorno de Profundidad ( $\beta$ -vecinos): Se demuestra teóricamente (Proposición 2) que ordenar los puntos según su profundidad CDD en la región reflejada es equivalente a ordenarlos por distancia coseno creciente desde $x_i$ $x_{i}$ .
- Esto permite definir un entorno $\beta$ -local ( $DN_i^{(\beta)}$ ) que corresponde simplemente a los $\beta(n-1)$ vecinos más cercanos de $x_i$ .
Cálculo de LCDD: La profundidad local se define como la CDD global calculada solo sobre este subconjunto de vecinos:
$LCDD^{(\beta)}(x_i, X) = CDD(x_i, DN_i^{(\beta)})$
- Cuando $\beta \to 1$ , la LCDD converge a la CDD global.
- Cuando $\beta \to 0$ , la profundidad tiende a su valor máximo (2), reflejando la centralidad inmediata.

C. Clasificador DD-Local

Se utiliza el enfoque DD-plot (Depth vs. Depth plot):

Se proyectan las muestras de dos clases ( $F_1$ y $F_2$ ) en un espacio bidimensional donde las coordenadas son sus profundidades locales calculadas respecto a cada distribución: $(LCDD^{(\beta)}(x, \hat{F}_1), LCDD^{(\beta)}(x, \hat{F}_2))$ .
Se ajusta una función separadora polinómica $s(\cdot)$ en este espacio 2D para minimizar la tasa de error de clasificación.
El parámetro de localización $\beta$ se selecciona mediante validación cruzada para optimizar el rendimiento.

3. Contribuciones Clave

Definición Teórica de LCDD: Se introduce formalmente la LCDD para datos en hipersferas, demostrando que es equivalente a una medida basada en vecinos más cercanos, lo que la hace computacionalmente viable en dimensiones altas.
Propiedades de Consistencia: Se establecen propiedades teóricas importantes, incluyendo la consistencia uniforme de la versión muestral hacia la versión poblacional y el comportamiento límite cuando $\beta \to 0$ y $\beta \to 1$ .
Adaptabilidad a Estructuras Complejas: A diferencia de las profundidades globales, la LCDD es capaz de identificar múltiples modos y estructuras no convexas, mejorando la separabilidad en el espacio de profundidad.
Marco de Clasificación: Se integra la LCDD en el clasificador DD, proporcionando un método robusto para la clasificación supervisada de datos direccionales multimodales.

4. Resultados

Estudio de Simulación

Se realizaron simulaciones extensas comparando el clasificador basado en CDD global vs. LCDD local bajo dos escenarios:

Escenario 1 (Distribución von Mises-Fisher): Datos con múltiples clusters y ruido variable.
- En configuraciones multimodales (mezclas de vMF), la LCDD superó consistentemente a la CDD global, especialmente con bajo ruido y dimensiones moderadas (3 y 10).
- En dimensiones muy altas (25) y alto ruido, el rendimiento de ambos métodos se volvió indistinguible.
Escenario 2 (Distribución de Watson): Datos con estructuras no convexas y bipolares.
- La LCDD demostró una superioridad clara sobre la CDD global en todos los casos, ya que la profundidad global no podía adaptarse a las formas complejas de los datos (distribuciones en forma de cinturón o bipolares).

Ejemplos con Datos Reales

Clientes Mayoristas (Datos Composicionales):
- Clasificación de canales de venta (Horeca vs. Retail).
- La LCDD con $\beta=0.05$ redujo la tasa de error en un 4.5% en comparación con la versión global.
Base de Datos SPAM:
- Clasificación de correos electrónicos (Spam vs. No Spam) con alta dimensionalidad (57 variables).
- La LCDD con $\beta=0.01$ logró una mejora del 8% en la tasa de error respecto al método global, destacando su eficacia en datos de alta dimensión con estructura compleja.

5. Significado e Impacto

Este trabajo es significativo porque resuelve una limitación crítica en el análisis de datos direccionales: la incapacidad de las medidas de profundidad tradicionales para manejar la multimodalidad y la no convexidad.

Flexibilidad: Al introducir el parámetro de localización $\beta$ , el método permite ajustar la escala de análisis, capturando tanto la estructura global como las sub-estructuras locales.
Aplicabilidad Práctica: Demuestra que transformar datos composicionales a datos direccionales y aplicar profundidad local mejora significativamente la precisión en tareas de clasificación reales (marketing, filtrado de spam).
Eficiencia Computacional: A pesar de ser una medida "local", la LCDD mantiene la ventaja computacional de la CDD (basada en productos internos), haciéndola factible para dimensiones moderadas y grandes, a diferencia de otras profundidades geométricas (como la simplicial) que son costosas de calcular en dimensiones altas.

En conclusión, la propuesta ofrece una herramienta estadística robusta y flexible para la clasificación de datos direccionales complejos, superando las limitaciones de los enfoques puramente globales.