INTELIGENCIA EN REDES DE COMUNICACIONES. MINERÍA DE DATOS-PREDICCIÓN METEOROLÓGICA-.

Transcripción

1 INGENIERÍA EN TELECOMUNICACIONES UNIVERSIDAD CARLOS III DE MADRID 5º Curso, Año Académico 2004/2005 INTELIGENCIA EN REDES DE COMUNICACIONES. MINERÍA DE DATOS-PREDICCIÓN METEOROLÓGICA-. Realizado por: David Paniagua Martín. Juan Carlos Soler Pascual del Pobil.

2 INDICE: INTRODUCCIÓN AL CONCEPTO DE MINERÍA DE DATOS. Qué es la minería de datos? Fases de un Proyecto de Minería de Datos. Filtrado de datos. Selección de variables. Algoritmos de extracción de conocimiento. Interpretación y evaluación. DESARROLLO DE LA PRÁCTICA. Comienza el filtrado de los datos. Ajuste del fichero. Selección de variables. DESCRIPCIÓN DE LOS ALGORITMOS. Redes Neuronales. ANÁLISIS DE LOS FICHEROS GENERADOS, MEDIANTE WEKA. Selección de los algoritmos. Entrenamiento de un perceptrón multicapa. Problemas.

3 INTRODUCCIÓN AL CONCEPTO DE MINERÍA DE DATOS. Qué es la minería de datos? Las técnicas de minería de datos se emplean para mejorar el rendimiento de procesos de negocio o industriales en los que se manejan grandes volúmenes de información estructurada y almacenada en bases de datos. Se trata de un proceso analítico diseñado para explorar grandes volúmenes de datos (generalmente datos de negocio y mercado) con el objeto de descubrir patrones y modelos de comportamiento o relaciones entre diferentes variables. Esto permite generar conocimiento que ayuda a mejorar la toma de decisiones en los procesos fundamentales de un negocio. La minería de datos permite obtener valor a partir de la información que registran y manejan las empresas, lo que ayuda a dirigir esfuerzos de mejora respaldados en datos históricos de diversa índole. Por ejemplo, se usan con éxito en aplicaciones de control de procesos productivos, como herramienta de ayuda a la planificación y a la decisión en marketing, finanzas, etc. Asimismo, la minería de datos es fundamental en la investigación científica y técnica, como herramienta de análisis y descubrimiento de conocimiento a partir de datos de observación o de resultados de experimentos. Fases de un Proyecto de Minería de Datos. Los pasos a seguir para la realización de un proyecto de minería de datos son siempre los mismos, independientemente de la técnica específica de extracción de conocimiento usada. Filtrado de datos: El formato de los datos contenidos en la fuente de datos (base de datos, Data Warehouse...) nunca es el idóneo, y la mayoría de las veces no es posible ni siquiera utilizar ningún algoritmo de minería sobre los datos "en bruto".

4 Mediante el preprocesado, se filtran los datos (de forma que se eliminan valores incorrectos, no válidos, desconocidos... Según las necesidades y el algoritmo a usar), se obtienen muestras de los mismos (en busca de una mayor velocidad de respuesta del proceso), o se reducen el número de valores posibles (mediante redondeo, clustering,...). Selección de variables: Aún después de haber sido preprocesados, en la mayoría de los casos se tiene una cantidad ingente de datos. La selección de características reduce el tamaño de los datos eligiendo las variables más influyentes en el problema, sin apenas sacrificar la calidad del modelo de conocimiento obtenido del proceso de minería. Los métodos para la selección de características son básicamente dos: Aquellos basados en la elección de los mejores atributos del problema. Aquellos que buscan variables independientes mediante tests de sensibilidad, algoritmos de distancia o heurísticos. Algoritmos de Extracción de Conocimiento: Mediante una técnica de minería de datos, se obtiene un modelo de conocimiento, que representa patrones de comportamiento observados en los valores de las variables del problema o relaciones de asociación entre dichas variables. También pueden usarse varias técnicas a la vez para generar distintos modelos, aunque generalmente cada técnica obliga a un preprocesado diferente de los datos. Interpretación y evaluación: Una vez obtenido el modelo, se debe proceder a su validación, comprobando que las conclusiones que arroja son válidas y suficientemente satisfactorias. En el caso de haber obtenido varios modelos mediante el uso de distintas técnicas, se deben comparar los modelos en busca de aquel que se ajuste mejor al problema. Si ninguno de los modelos alcanza los resultados esperados, debe alterarse alguno de los pasos anteriores para generar nuevos modelos.

5 DESARROLLO DE LA PRÁCTICA. A la hora de desarrollar la práctica hemos seguido, en cierta manera, los pasos que hemos indicado en la introducción. Es cierto que, a pesar de haberlo visto en teoría, es ahora cuando nos hemos dado cuenta de lo que es la minería de datos y de cuál es su verdadero problema: el filtrado de los datos. En un principio obtenemos los datos en bruto del link facilitado en el enunciado de la práctica. En este link conseguimos el archivo meteo.tgz. En él encontramos los distintos ficheros con abundantes medidas de varios factores relacionados con la meteorología. Comienza el filtrado de los datos: Para la realización de esta primera fase hemos utilizado la programación en lenguaje java. En primer lugar hacemos uso de la clase Preprocesar.java, que lo que hace es recorrer todos los ficheros con datos y volcarlos de forma ordenada en otro fichero(esto es: Hora, Temperatura, Nivel de Rocio, Humedad, Presión, Visibilidad, Dirección del viento, Velocidad del viento, Ráfaga, Precipitación, Hechos, Condiciones). Como es normal, al realizar esta simple ordenación, vimos que algunos de los datos eran incorrectos, es decir, formato que no se correspondía con el tipo declarado en las cabeceras, dato inexistente, etc... Estos datos debían ser filtrados. Para ello utilizamos la clase Preprocesado2.java, en la que nos encargamos de eliminar los errores más comunes; por ejemplo: cambiar N/A por el carácter? para que no de problemas la herramienta WEKA, cambiar una palabra por un número que la identifique debido a que la inmensa mayoría de los datos son de tipo real... Nos gustaría destacar que para realizar esta tarea no basta con pasar el programa, ya que éste resuelve los problemas más comunes, debido a que consideramos que por la existencia de alguna línea errónea, con un fallo particular, no merecía la pena desarrollar un código específico y nos inclinamos por quitarla manualmente. El resultado de realizar estas dos operaciones, más un pequeño trabajo de optimización manual del fichero, nos ofrece un fichero con sus respectivas cabeceras, en el que disponemos de todos los datos con formato correcto. Ajuste del fichero: En este momento es cuando pasamos a la siguiente fase: reajustar el fichero para facilitar la selección de las variables; qué quiere decir esto? Pues que como en el fichero anterior no vienen datos para todas las horas y hay espacios en blanco, en las clases Fich_Def_Pred1h.java y Fich_Def_Pred24h.java (elegir cuál según el caso) lo primero que hacemos es eliminar dichos blancos y rellenar todas las horas en las que deberíamos tener

6 medidas (cada treinta minutos) con el carácter? donde deberían ir los datos. El objetivo de esta operación es el de tener un fichero sin blancos y con cuarenta y ocho medidas por día. Con este fichero nos resultará más fácil programar la clase java que irá recorriendo el fichero para seleccionar las variables con las que entrenaremos a WEKA con el fin de que consiga predecir la variable deseada. Selección de variables: El criterio de selección de variables lo hemos desarrollado de forma un tanto intuitiva, pensando cuáles de las variables del fichero influirían más en la predicción de la variable deseada: Predicción de la temperatura dentro de una hora: En un principio pensamos que sería conveniente obtener la temperatura, la humedad, la presión y la velocidad del viento actuales y los mismos datos de hasta cuatro horas anteriores (es decir ocho datos), también deberíamos quedarnos con el valor de la variable a predecir: la temperatura dentro de una hora; sin embargo, cuando pasamos el fichero a WEKA, nos decía que éste era demasiado grande, por lo que decidimos quedarnos con la información de hasta dos horas anteriores (cuatro datos). Predicción de la temperatura dentro de veinticuatro horas: es un caso análogo al anterior, sólo que necesitamos, además de la temperatura, la humedad, la presión y la velocidad del viento actuales, los mismos datos de hasta cuatro días antes y el valor de la variable a predecir: la temperatura dentro de veinticuatro horas. Predicción de la condición meteorológica dentro de veinticuatro horas: es un caso parecido a lrios dos anteriores, pero eliminamos la velocidad del viento y añadimos la condición meteorológica. A la hora de seleccionar variables, pensamos que deberíamos haber incluido alguna variable más que también puede influir en la predicción, pero los problemas de memoria que nos dio la herramienta WEKA nos disuadieron de ello. Con esta operación acaba la labor más ardua de esta práctica, en la que por fin disponemos de un fichero que ofrecer a la herramienta para dedicarnos a la minería de datos propiamente dicha. DESCRIPCIÓN DE LOS ALGORITMOS. Redes Neuronales. Referidas habitualmente de forma más sencilla como redes de neuronas, las redes de neuronas artificiales (RNA) son un paradigma de aprendizaje y procesamiento automático inspirado en la forma en que funciona el sistema nervioso de los animales. Consiste en simular las propiedades observadas en los sistemas neuronales biológicos a través de modelos matemáticos recreados mediante mecanismos artificiales (como un circuito integrado, un ordenador o un conjunto de válvulas). El objetivo es conseguir

7 que las máquinas den respuestas similares a las que es capaz el cerebro que se caracterizan por su generalización y su robustez. A continuación mostramos un ejemplo de Red Neuronal Artificial de tipo Perceptrón simple con n neuronas de entrada, m neuronas en su capa oculta y una neurona de salida. Las Redes Neuronales pueden ser aplicadas a la construcción de generalizaciones o cubrimientos que caractericen grandes grupos de datos ya que adquieren conocimiento integrador de información durante el proceso de ajuste de los pesos de las conexiones entre neuronas que las integran, tienen la ventaja de ser tolerantes al ruido y la capacidad de extender la generalización al momento de necesitar manipular datos nuevos.

8 Análisis de los ficheros generados, mediante WEKA. Una vez realizada la tarea de preprocesar los datos, llega la parte más sencilla, aunque nosotros en este caso hemos tenido algunos problemas que han hecho que no pudiésemos obtener los resultados esperados. A continuación explicaremos como es la carga de los datos de entrenamiento, de test, como se seleccionan los métodos que podemos usar y como se entrena el modelo. - Carga de datos en WEKA. En la siguiente ventana, podemos observar el archivo, ya preprocesado, cargado en WEKA. A la izquierda tenemos todas las diferentes variables que utilizamos para el entrenamiento de los modelos. - Carga fichero de test. Dentro de la pestaña 'Classify', que es donde escogeremos el algoritmo que queremos emplear, aparecen diversas opciones para hacer el test del modelo. Como ya explicamos anteriormente no es conveniente usar el mismo conjunto de entrenamiento para realizar el test, pues no dará resultados del todo fiables. Las posibilidades son usar el propio conjunto de entrenamiento, conjunto de test diferente, validación cruzada y porcentaje.

9 Selección de los algoritmos. En WEKA podemos escoger entre una amplia variedad de algoritmos. Para el caso de predicción y estimación los mejores métodos son las redes neuronales. En nuestro caso, realizaremos un "Análisis predictivo" es decir el problema se enfoca en predecir eventos o comportamientos específicos, basado en información histórica. A continuación vemos una imagen con diferentes métodos presentes en WEKA.

10 Entrenamiento de un perceptrón multicapa: Para la previsión de la temperatura e 1 hora y a 24 horas en las dos diferentes localizaciones, vamos a utilizar un perceptrón multicapa. Ventana con el modelo generandose en WEKA. Una vez terminada la simulación se presenta en pantalla los resultados y el modelo realizado, con todos los pesos para cada una de las entradas a cada neurona y los umbrales de las sigmoides. Cuatro vientos, prevision a una hora: La red neuronal elegida en este caso es un perceptrón multicapa, de dos capas ocultas con 4 neuronas cada una. Modelo del clasificador: Linear Node 0

11 Threshold Node Node Node Node Sigmoid Node 1 Threshold Attrib Temperatura Attrib Humedad Attrib Presion Attrib Velocidad_del_vientoMPH Attrib Temperatura2h Attrib Humedad2h Attrib Presion2h Attrib Velocidad_del_vientoMPH2h Attrib Temperatura1_30h Attrib Humedad1_30h Attrib Presion1_30h Attrib Velocidad_del_vientoMPH1_30h Attrib Temperatura1h Attrib Humedad1h Attrib Presion1h Attrib Velocidad_del_vientoMPH1h Attrib Temperatura0_30h Attrib Humedad0_30h Attrib Presion0_30h Attrib Velocidad_del_vientoMPH0_30h Sigmoid Node 2 Threshold Attrib Temperatura Attrib Humedad Attrib Presion Attrib Velocidad_del_vientoMPH Attrib Temperatura2h Attrib Humedad2h Attrib Presion2h Attrib Velocidad_del_vientoMPH2h Attrib Temperatura1_30h Attrib Humedad1_30h Attrib Presion1_30h Attrib Velocidad_del_vientoMPH1_30h Attrib Temperatura1h Attrib Humedad1h Attrib Presion1h Attrib Velocidad_del_vientoMPH1h Attrib Temperatura0_30h Attrib Humedad0_30h Attrib Presion0_30h Attrib Velocidad_del_vientoMPH0_30h Sigmoid Node 3 Threshold Attrib Temperatura Attrib Humedad Attrib Presion Attrib Velocidad_del_vientoMPH Attrib Temperatura2h

12 Attrib Humedad2h Attrib Presion2h Attrib Velocidad_del_vientoMPH2h Attrib Temperatura1_30h Attrib Humedad1_30h Attrib Presion1_30h Attrib Velocidad_del_vientoMPH1_30h Attrib Temperatura1h Attrib Humedad1h Attrib Presion1h Attrib Velocidad_del_vientoMPH1h Attrib Temperatura0_30h Attrib Humedad0_30h Attrib Presion0_30h Attrib Velocidad_del_vientoMPH0_30h Sigmoid Node 4 Threshold Attrib Temperatura Attrib Humedad Attrib Presion Attrib Velocidad_del_vientoMPH Attrib Temperatura2h Attrib Humedad2h Attrib Presion2h Attrib Velocidad_del_vientoMPH2h Attrib Temperatura1_30h Attrib Humedad1_30h Attrib Presion1_30h Attrib Velocidad_del_vientoMPH1_30h Attrib Temperatura1h Attrib Humedad1h Attrib Presion1h Attrib Velocidad_del_vientoMPH1h Attrib Temperatura0_30h Attrib Humedad0_30h Attrib Presion0_30h Attrib Velocidad_del_vientoMPH0_30h Sigmoid Node 5 Threshold Node Node Node Node Sigmoid Node 6 Threshold Node Node Node Node Sigmoid Node 7 Threshold Node Node Node Node Sigmoid Node 8

13 Threshold Node Node Node Node Resultados: Correlation coefficient Mean absolute error Root mean squared error Relative absolute error % Root relative squared error % Total Number of Instances Ignored Class Unknown Instances 6763 CuatroVientos previsión a 24 horas de la temperatura: Modelo del clasificador: Linear Node 0 Threshold Node Node Node Node Sigmoid Node 1 Threshold Attrib Temperatura Attrib Humedad Attrib Presion Attrib Velocidad_del_vientoMPH Attrib Temperatura2h Attrib Humedad2h Attrib Presion2h Attrib Velocidad_del_vientoMPH2h Attrib Temperatura1_30h Attrib Humedad1_30h Attrib Presion1_30h Attrib Velocidad_del_vientoMPH1_30h Attrib Temperatura1h Attrib Humedad1h Attrib Presion1h Attrib Velocidad_del_vientoMPH1h Attrib Temperatura0_30h Attrib Humedad0_30h Attrib Presion0_30h Attrib Velocidad_del_vientoMPH0_30h Sigmoid Node 2 Threshold

14 Attrib Temperatura Attrib Humedad Attrib Presion Attrib Velocidad_del_vientoMPH Attrib Temperatura2h Attrib Humedad2h Attrib Presion2h Attrib Velocidad_del_vientoMPH2h Attrib Temperatura1_30h Attrib Humedad1_30h Attrib Presion1_30h Attrib Velocidad_del_vientoMPH1_30h Attrib Temperatura1h Attrib Humedad1h Attrib Presion1h Attrib Velocidad_del_vientoMPH1h Attrib Temperatura0_30h Attrib Humedad0_30h Attrib Presion0_30h Attrib Velocidad_del_vientoMPH0_30h Sigmoid Node 3 Threshold Attrib Temperatura Attrib Humedad Attrib Presion Attrib Velocidad_del_vientoMPH Attrib Temperatura2h Attrib Humedad2h Attrib Presion2h Attrib Velocidad_del_vientoMPH2h Attrib Temperatura1_30h Attrib Humedad1_30h Attrib Presion1_30h Attrib Velocidad_del_vientoMPH1_30h Attrib Temperatura1h Attrib Humedad1h Attrib Presion1h Attrib Velocidad_del_vientoMPH1h Attrib Temperatura0_30h Attrib Humedad0_30h Attrib Presion0_30h Attrib Velocidad_del_vientoMPH0_30h Sigmoid Node 4 Threshold Attrib Temperatura Attrib Humedad Attrib Presion Attrib Velocidad_del_vientoMPH Attrib Temperatura2h Attrib Humedad2h Attrib Presion2h Attrib Velocidad_del_vientoMPH2h Attrib Temperatura1_30h Attrib Humedad1_30h Attrib Presion1_30h Attrib Velocidad_del_vientoMPH1_30h Attrib Temperatura1h Attrib Humedad1h Attrib Presion1h

15 Attrib Velocidad_del_vientoMPH1h Attrib Temperatura0_30h Attrib Humedad0_30h Attrib Presion0_30h Attrib Velocidad_del_vientoMPH0_30h Sigmoid Node 5 Threshold Node Node Node Node Sigmoid Node 6 Threshold Node Node Node Node Sigmoid Node 7 Threshold Node Node Node Node Sigmoid Node 8 Threshold Node Node Node Node Resultados: Correlation coefficient Mean absolute error Root mean squared error Relative absolute error % Root relative squared error % Total Number of Instances Ignored Class Unknown Instances 7377 Madrid previsión a 1 hora de la temperatura: Modelo del clasificador: Linear Node 0 Threshold Node Node Node Node Sigmoid Node 1

16 Threshold Attrib Temperatura Attrib Humedad Attrib Presion Attrib Velocidad_del_vientoMPH Attrib Temperatura2h Attrib Humedad2h Attrib Presion2h Attrib Velocidad_del_vientoMPH2h Attrib Temperatura1_30h Attrib Humedad1_30h Attrib Presion1_30h Attrib Velocidad_del_vientoMPH1_30h Attrib Temperatura1h Attrib Humedad1h Attrib Presion1h Attrib Velocidad_del_vientoMPH1h Attrib Temperatura0_30h Attrib Humedad0_30h Attrib Presion0_30h Attrib Velocidad_del_vientoMPH0_30h Sigmoid Node 2 Threshold Attrib Temperatura Attrib Humedad Attrib Presion Attrib Velocidad_del_vientoMPH Attrib Temperatura2h Attrib Humedad2h Attrib Presion2h Attrib Velocidad_del_vientoMPH2h Attrib Temperatura1_30h Attrib Humedad1_30h Attrib Presion1_30h Attrib Velocidad_del_vientoMPH1_30h Attrib Temperatura1h Attrib Humedad1h Attrib Presion1h Attrib Velocidad_del_vientoMPH1h Attrib Temperatura0_30h Attrib Humedad0_30h Attrib Presion0_30h Attrib Velocidad_del_vientoMPH0_30h Sigmoid Node 3 Threshold Attrib Temperatura Attrib Humedad Attrib Presion Attrib Velocidad_del_vientoMPH Attrib Temperatura2h Attrib Humedad2h Attrib Presion2h Attrib Velocidad_del_vientoMPH2h Attrib Temperatura1_30h Attrib Humedad1_30h Attrib Presion1_30h E-4 Attrib Velocidad_del_vientoMPH1_30h Attrib Temperatura1h Attrib Humedad1h

17 Attrib Presion1h Attrib Velocidad_del_vientoMPH1h Attrib Temperatura0_30h Attrib Humedad0_30h Attrib Presion0_30h Attrib Velocidad_del_vientoMPH0_30h Sigmoid Node 4 Threshold Attrib Temperatura Attrib Humedad Attrib Presion Attrib Velocidad_del_vientoMPH Attrib Temperatura2h Attrib Humedad2h Attrib Presion2h Attrib Velocidad_del_vientoMPH2h Attrib Temperatura1_30h Attrib Humedad1_30h Attrib Presion1_30h Attrib Velocidad_del_vientoMPH1_30h Attrib Temperatura1h Attrib Humedad1h Attrib Presion1h Attrib Velocidad_del_vientoMPH1h Attrib Temperatura0_30h Attrib Humedad0_30h Attrib Presion0_30h Attrib Velocidad_del_vientoMPH0_30h Sigmoid Node 5 Threshold Node Node Node Node Sigmoid Node 6 Threshold Node Node Node Node Sigmoid Node 7 Threshold Node Node Node Node Sigmoid Node 8 Threshold Node Node Node Node Resultados: Correlation coefficient

18 Mean absolute error Root mean squared error Relative absolute error % Root relative squared error % Total Number of Instances Ignored Class Unknown Instances 446 Madrid previsión a 24 horas de la temperatura: Modelo del clasificador: Linear Node 0 Threshold Node Node Node Node Sigmoid Node 1 Threshold Attrib Temperatura Attrib Humedad Attrib Presion Attrib Velocidad_del_vientoMPH Attrib Temperatura2h Attrib Humedad2h Attrib Presion2h Attrib Velocidad_del_vientoMPH2h Attrib Temperatura1_30h Attrib Humedad1_30h Attrib Presion1_30h Attrib Velocidad_del_vientoMPH1_30h Attrib Temperatura1h Attrib Humedad1h Attrib Presion1h Attrib Velocidad_del_vientoMPH1h Attrib Temperatura0_30h Attrib Humedad0_30h Attrib Presion0_30h Attrib Velocidad_del_vientoMPH0_30h Sigmoid Node 2 Threshold Attrib Temperatura Attrib Humedad Attrib Presion Attrib Velocidad_del_vientoMPH Attrib Temperatura2h Attrib Humedad2h Attrib Presion2h Attrib Velocidad_del_vientoMPH2h Attrib Temperatura1_30h Attrib Humedad1_30h Attrib Presion1_30h Attrib Velocidad_del_vientoMPH1_30h Attrib Temperatura1h Attrib Humedad1h

19 Attrib Presion1h Attrib Velocidad_del_vientoMPH1h Attrib Temperatura0_30h Attrib Humedad0_30h Attrib Presion0_30h Attrib Velocidad_del_vientoMPH0_30h Sigmoid Node 3 Threshold Attrib Temperatura Attrib Humedad Attrib Presion Attrib Velocidad_del_vientoMPH Attrib Temperatura2h Attrib Humedad2h Attrib Presion2h Attrib Velocidad_del_vientoMPH2h Attrib Temperatura1_30h Attrib Humedad1_30h Attrib Presion1_30h Attrib Velocidad_del_vientoMPH1_30h Attrib Temperatura1h Attrib Humedad1h Attrib Presion1h Attrib Velocidad_del_vientoMPH1h Attrib Temperatura0_30h Attrib Humedad0_30h Attrib Presion0_30h Attrib Velocidad_del_vientoMPH0_30h Sigmoid Node 4 Threshold Attrib Temperatura Attrib Humedad Attrib Presion Attrib Velocidad_del_vientoMPH Attrib Temperatura2h Attrib Humedad2h Attrib Presion2h Attrib Velocidad_del_vientoMPH2h Attrib Temperatura1_30h Attrib Humedad1_30h Attrib Presion1_30h Attrib Velocidad_del_vientoMPH1_30h Attrib Temperatura1h Attrib Humedad1h Attrib Presion1h Attrib Velocidad_del_vientoMPH1h Attrib Temperatura0_30h Attrib Humedad0_30h Attrib Presion0_30h Attrib Velocidad_del_vientoMPH0_30h Sigmoid Node 5 Threshold Node Node Node Node Sigmoid Node 6

20 Threshold Node Node Node Node Sigmoid Node 7 Threshold Node Node Node Node Sigmoid Node 8 Threshold Node Node Node Node Resultados: Correlation coefficient Mean absolute error Root mean squared error Relative absolute error % Root relative squared error % Total Number of Instances Ignored Class Unknown Instances 507 Como es normal se puede ver que la probabilidad de error es mayor cuando tratamos de predecir la temperatura a 24 horas que a 1 hora. Problemas: Problemas de memoria. Los problemas de memoria, han hecho imposible la obtención de resultados para los algoritmos. Después de un rato de ejecución ocurría un error de memoria que no hemos sabido solucionar. Creemos que el formateo de los datos es correcto y los pasos seguidos también. Hemos intentado solventar el problema disminuyendo el tamaño de los archivos, pero solo ha solucionado en parte el problema y aumentando al máximo la memoria virtual de windows no conseguimos ninguna mejora. Estos problemas los tuvimos tanto en la universidad como en nustras casas. Ventana de error por falta de memoria.

21