Aprendizaje Autonoma

DOCTORADO EN SISTEMAS COMPUTACIONALES

SEMINARIO DE SISTEMAS DE INFORMACIÓN PARA LA TOMA DE DESICIONES.

D.R RODOLFO IBARRA OROZCO

M.A. FERNANDO LARA GÓMEZ

MINERIA DE DATOS: EVALUAR A HOMBRES DE ACUERDO A SUS RASGOS FACIALES PARA DETERMINAR SI SON ESPAÑOLES O EXTRANGEROS.

Abril 2013 Tuxtla Gutiérrez, Chiapas.

M.A. Fernando Lara Gomez

flara_gomez@hotmail.com

Introducción:

Las rasgos físico son características que nos definen y nos distinguen e identifican en razas o nacionalidades, mediante la correcta clasificación se puede determinar la nacionalidad, para este eemplo se utilizara el método de clasificación ID3 (Tekeyas)

Identificación del problema

Se quiere clasificar a una serie de personas en españoles y extranjeros atendiendo a sus características faciales.

•

Datos

• Pelo

• Ojos

• Bigote.

• Nacionalidad.

Hay dos opciones posibles: español o extranjero.

Muestra de Datos a Evaluar.

PELO OJOS BIGOTE NACIONALIDAD

rubio azules SI EXTRANJERO

rubio castaños NO ESPAÑOL

rubio castaños SI ESPAÑOL

castaño castaños NO EXTRANJERO

castaño azules SI ESPAÑOL

castaño negros SI ESPAÑOL

castaño negros NO EXTRANJERO

moreno castaños SI ESPAÑOL

moreno castaños NO EXTRANJERO

moreno negros SI ESPAÑOL

Tabla 1 Muestra De Datos

Resultado de weka aplicando el Método C4.5 (J28)

=== Run information ===

Scheme:weka.classifiers.trees.Id3

Relation: español

Instances: 10

Attributes: 4

PELO

OJOS

BIGOTE

NACIONALIDAD

Test mode:10-fold cross-validation

=== Classifier model (full training set) ===

Id3

BIGOTE = SI

| PELO = rubio

| | OJOS = azules: EXTRANJERO

| | OJOS = casta¤os: ESPA¥OL

| | OJOS = negros: null

| PELO = casta¤o: ESPA¥OL

| PELO = moreno: ESPA¥OL

BIGOTE = NO

| PELO = rubio: ESPA¥OL

| PELO = casta¤o: EXTRANJERO

| PELO = moreno: EXTRANJERO

Se examinan todos los atributos y se escoge el de máxima ganancia, en este caso es el atributo Bigote y se evalúan los demás atributos y el que resulta el segundo con mayor ganancia es el de pelo, y así sucesivamente.

Time taken to build model: 0 seconds

=== Stratified cross-validation ===

=== Summary ===

Correctly Classified Instances 5 50 %

Incorrectly Classified Instances 4 40 %

Kappa statistic 0.1429

Mean absolute error 0.4444

Root mean squared error 0.6667

Relative absolute error 95.8606 %

Root relative squared error 134.5622 %

UnClassified Instances

...