Aprendizaje Autonoma
Enviado por gilpanda • 3 de Mayo de 2013 • 1.142 Palabras (5 Páginas) • 257 Visitas
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
...