Inteligencia en Redes de Comunicaciones
|
|
- María Dolores Martin Toro
- hace 7 años
- Vistas:
Transcripción
1 Universidad Carlos III de Madrid Inteligencia en Redes de Comunicaciones PRÁCTICA FINAL PREDICCIÓN METEOROLÓGICA USANDO WEKA Titulación: Ingeniería de Telecomunicación, Curso 5º Pablo Casas Muñoz Roberto García Sánchez Grupo 91
2 Introducción El objetivo de esta práctica es desarrollar un sistema real de predicción meteorológica para la ciudad de Madrid, utilizando técnicas de aprendizaje automático para obtener los modelos de caracterización y predicción, empleando como herramienta la plataforma Weka. El punto de partida es la información METAR (Meteorological Actual Report) disponible en Internet. El código METAR, que fue establecido por la World Meteorological Organization (WMO) y adoptado por todas las naciones del mundo, sirve para representar condiciones meteorológicas en aeropuertos o estaciones meteorológicas, habitualmente con medidas horarias. El código METAR es preciso y fácil de leer y proporciona información muy valiosa que utilizan líneas aéreas y organizaciones gubernamentales de todo el mundo. Para esta práctica se proporciona un conjunto de datos meteorológicos sobre el aeropuerto de Madrid Barajas (código internacional, LEMD) desde el año 1996 al 2004, con las siguientes medidas cada media hora. HoraCET Temperatura (grados Farenheit) Punto de rocío (grados Farenheit) Humedad Presión (pulgadas) Visibilidad Dirección del viento Velocidad del viento (millas por hora) Velocidad de ráfagas de viento (millas por hora) Precipitación Eventos Condiciones Los datos están distribuidos por ficheros, correspondiendo cada uno de ellos a un día del año, desde el 1/1/1994 al 31/10/2004. El formato de los datos es el siguiente (extracto de un día cualquiera): HoraCET,TemperaturaF,Nivel de RocíoF,Humedad,PresiónIn,Visibilidad MPH,Wind Direction,Velocidad del vientomph,ráfagamph,precipitación In,Hechos,Conditions 12:00 AM,37.4,33.8,87,30.39,7.0,NNE,2.3,-,N/A,,Parcialmente Nublado 12:30 AM, 35.6,33.8,93,30.39,7.0,Calm,Calm,-,N/A,,Parcialmente Nublado 1:00 AM,35.6,33. 8,93,30.39,7.0,Calm,Calm,-,N/A,,Nubes Dispersas 1:30 AM,35.6,33.8,93,30.36,7. 0,Norte,1.2,-,N/A,,Nubes Dispersas 2:00 AM,35.6,33.8,93,30.36,7.0,Norte,1.2,-,N/A,,Nubes Dispersas 2:30 AM,35.6,33.8,93,30.36,7.0,NNO,1.2,-,N/A,,Nubes Dis persas 3:00 AM,35.6,33.8,93,30.36,7.0,NNO,1.2,-,N/A,,Nubes Dispersas 3:30 AM,33.8,32.0,93,30.33,7.0,Calm,Calm,-,N/A,,Parcialmente Nublado 4:00 AM,30.2, 32.0,100,30.33,7.0,Calm,Calm,-,N/A,,Parcialmente Nublado 4:30 AM,32.0,30.2,93,30.33,7.0,Calm,Calm,-,N/A,,Parcialmente Nublado 5:00 AM,32.0,30.2,93,30.30,7.0,Calm,Calm,-,N/A,,Parcialmente Nublado 5:30 AM,30.2,30.2,100,-9999,5.6,Calm,Calm,-,N/A,,Despejado...
3 En nuestro caso el profesor se ha encargado de proporcionarnos un fichero procesado en el que se contemplan todos los datos en orden, hora a hora, desde el primer día hasta el último. El fichero "lemd.csv" proporcionado contiene estos datos, con el formato de 1 registro por línea ( registros), correspondiente a datos cada media hora, con campos separados por comas, con valores nulos marcados con?, y comenzando por AÑO, MES, DIA, HORA donde HORA va de 0 (12:00AM) a 47 (11:30 PM). A partir de estos datos proporcionados en orden se tendrá que construir una matriz de minería que entienda Weka para poder realizar las predicciones que se nos están pidiendo. Introducción sobre WEKA El programa para realizar el estudio de los datos meteorológicos es el programa Weka, cuyo logotipo es el siguiente: Weka es una herramienta de minería de datos. WEKA, acrónimo de Waikate Environment for Knowledge Análisis, es un entorno para experimentación de análisis de datos que permite aplicar, analizar y evaluar las técnicas más relevantes de análisis de datos, principalmente las provenientes del aprendizaje automático, sobre cualquier conjunto de datos del usuario. Para ello únicamente se requiere que los datos a analizar se almacenen con un cierto formato, conocido como ARFF (Attribute-Relation File Format). WEKA se distribuye como software libre de distribución desarrollado en Java. Está constituido por una serie de paquetes de código abierto con diferentes técnicas de preprocesado, clasificación, agrupamiento, asociación y visualización, así como facilidades para su aplicación y análisis de prestaciones cuando son aplicadas a los datos de entrada seleccionados. Estos paquetes pueden ser integrados en cualquier proyecto de análisis de datos, e incluso pueden extenderse con contribuciones de los usuarios que desarrollen nuevos algoritmos. Con objeto de facilitar su uso por un mayor número de usuarios, WEKA además incluye una interfaz gráfica de usuario para acceder y configurar las diferentes herramientas integradas. Lo primero de todo para trabajar con Weka es la preparación de los datos. Los datos de entrada a la herramienta, sobre todo los que operarán las técnicas implementadas, deben estar codificados en un formato específico, denominado Attribute-Relation File Format (extensión arff). La herramienta permite cargar los datos en tres soportes: fichero de texto, acceso a una base de datos y acceso a través de internet sobre una dirección URL de un servidor web. En
4 nuestro caso trabajaremos con ficheros de texto. Los datos deben estar dispuestos en el fichero de la siguiente forma: cada instancia en una fila, y con los atributos separados por comas.
5 Cómo hacer un fichero entendible para WEKA? Previamente a que el profesor dejase los datos colocados, nosotros habíamos implementado un programa para unificar todos los archivos que nos habían dado, pero el problema de hacerlo así es que el fichero único con todos los archivos proporcionados contenía huecos de horas con lo que hacer la concatenación de registros con él, no era lo más adecuado puesto que se iban a descolocar las muestras y el fichero de obtención de una temperatura posterior, de la temperatura a veinticuatro horas y las condiciones a veinticuatro horas obtenidas serían incorrectas porque no seguirían el orden adecuado debido a la problemática de la existencia de huecos. Por lo tanto el punto de partida es el fichero proporcionado por el profesor con todos los datos ordenados y sin huecos para obtener un fichero adecuado para las predicciones que tenemos que realizar. El objetivo final es obtener un fichero para cada predicción con el formato adecuado (.arff) para poder trabajar con dichos datos en la herramienta de WEKA. Preprocesado Lo primero que hicimos para tratar el fichero proporcionado por el profesor fue crear un código Java que fuese capaz de concatenar varias líneas consecutivas para tener en cada registro, datos de registros anteriores y así tener mas datos a la hora de realizar las predicciones. Para ello primero se consiguió un fichero en el que se tenían tres filas simples del fichero proporcionado por el profesor en una sola fila, y a partir de este fichero se extrajeron los ficheros necesarios para las predicciones pero tratado de forma distinta. Para el caso de la predicción de la temperatura de una hora de después lo que se hizo fue utilizar este registro y añadir los registros de 1 hora posterior obteniendo en cada tupla el valor de la temperatura actual, el valor de la temperatura hace media hora, el valor de la temperatura hace una hora y el valor de la temperatura hace una hora y media con todos los respectivos datos pertenecientes a cada uno de esos instantes, como son la presión, humedad, etc. Posteriormente con el filtro Remove que proporciona Weka se quitarían aquellas variables que no fuesen consideradas importantes para obtener la predicción. Para el caso de la predicción de la temperatura a veinticuatro horas y las condiciones a veinticuatro horas se añadieron los registros necesarios de tal forma que por cada tupla se tenían los datos actuales, los datos hace media hora, los datos hace una hora y la temperatura a veinticuatro horas en el caso del fichero de la predicción de la temperatura a veinticuatro horas o las condiciones a veinticuatro horas en el caso del fichero de la predicción de las condiciones a veinticuatro horas. Al igual que en el caso de la predicción de la temperatura a una hora posterior, se eliminarían aquellos registros o variables que no fuesen consideradas importantes para la predicción a realizar. El proceso de eliminación de variables se puede hacer bien usando el filtro Remove que soporta Weka ó bien utilizando las instrucción cut en la shell de linux que permite eliminar columnas, cuando estas columnas tienen un separador entre ellas. Para la realización de todos estos ficheros se ha utilizado la programación orientada a objetos, programación Java. Posteriormente a la obtención de estos ficheros se le añade a cada fichero los atributos y datos que deben de tener para poder visualizarlos con el programa Weka, es decir, tenemos que hacer la creación de un fichero arff entendible por Weka. El formato de un fichero arff sigue la estructura siguiente:
6 % r1 r2 i1 i2 s1 {v1_s1, v2_s1,, s2 {v1_s1, v2_s1,, DATOS Por tanto, los atributos pueden ser principalmente de dos tipos: numéricos de tipo real o entero (indicado con la palabra real o integer tras el nombre del atributo), y simbólicos, en cuyo caso se especifican los valores posibles que puede tomar entre llaves Los atributos enteros pueden ser englobados por el tipo numeric. Muestra de datos El fichero de datos objeto de estudio contiene muestras correspondientes a datos meteorológicos de los últimos años. Los datos que describen cada dato meteorológico contienen información del año, mes, día, horacet, temperatura, nivel de rocio, humedad, presión, visibilidad, dirección del viento, velocidad de ráfaga, precipitación, hechos y condiciones. El fichero arff final (para la predicción de la temperatura a una hora posterior a la actual) para nuestros datos es el Mes Temperatura1h30minantes Temperatura1hantes Temperatura30minantes Temperaturaactual Punto_rocioactual Humedadactual Presionactual Veloc_vientoactual Condicionesactual {Nubes_de_Polvo,Arena,Granizo_pequeño,Desconocido,Leve_Caída_de_Granizo_Pequeño, Granizo_Leve,Nubes_Bajas_de_Polvo,Caidas_de_Granizo,Despejado,Bruma_Helada_Leve, Tormentas_con_Granizo,Remolino_de_Polvo,Fuertes_Lluvias,Tormenta,Tormenta_Leve,Par cialmente_nublado,nubes_dispersas,altamente_nublado,tormentas_y_lluvia,tormentas_l eves_y_lluvia,fuertes_tormentas_y_lluvia,lluvias,nublado,llovizna_leve,llovizna,llovi zna_abundante,neblina,humo,bruma,bancos_de_bruma,bruma_leve,bruma_ligera,lluvia,lluvia_leve,abundantes_lluvias,nieve,nevada_leve,particulas_de_nieve,caidas_de_niev
7 e,abundante_nieve,niebla,niebla_leve,abundante_niebla,lluvia_helada_leve,llovizna_ Temperatura1horamas 9,62.6,62.6,66.2,66.2,44.6,46,29.98,8.1,Altamente_Nublado,68 9,51.8,51.8,50,50,44.6,82,29.98,1.2,Nubes_Dispersas,48.2 9,69.8,69.8,68,68,44.6,43,29.77,9.2,Altamente_Nublado,66.2 9,71.6,71.6,71.6,71.6,46.4,41,30.21,4.6,Despejado,73.4 9,84.2,84.2,84.2,84.2,55.4,37,30.18,3.5,Parcialmente_Nublado,86 9,64.4,64.4,64.4,64.4,55.4,73,30.24,1.2,Despejado,62.6 9,69.8,69.8,77,77,57.2,50,30.33,1.2,Despejado,80.6 9,66.2,66.2,62.6,62.6,53.6,72,30.21,1.2,Despejado, ,68,68,68,68,44.6,43,30.06,9.2,Nubes_Dispersas,68 10,53.6,53.6,53.6,53.6,41,62,30.18,4.6,Parcialmente_Nublado, ,55.4,55.4,59,59,44.6,59,30.21,4.6,Parcialmente_Nublado, ,64.4,64.4,62.6,62.6,44.6,52,30.24,8.1,Parcialmente_Nublado, ,59,59,55.4,55.4,41,58,30.3,1.2,Despejado, ,69.8,69.8,62.6,62.6,37.4,39,30.27,2.3,Despejado, ,50,50,50,50,39.2,66,30.09,8.1,Nubes_Dispersas, ,44.6,44.6,44.6,44.6,37.4,76,30.09,4.6,Despejado,41 10,46.4,46.4,44.6,44.6,39.2,81,30.12,4.6,Parcialmente_Nublado, ,44.6,44.6,44.6,44.6,39.2,81,30.15,3.5,Parcialmente_Nublado,41 10,50,50,48.2,48.2,42.8,82,30.12,6.9,Despejado, ,50,50,48.2,48.2,42.8,82,30.12,1.2,Despejado, ,46.4,46.4,46.4,?,?,?,?,?,?, ,73.4,73.4,75.2,75.2,50,41,30.04,4.6,Despejado, ,53.6,53.6,60.8,60.8,46.4,59,30.04,2.3,Despejado,68 10,68,68,68,68,51.8,56,30.01,4.6,Despejado, ,71.6,71.6,73.4,73.4,53.6,50,29.92,4.6,Parcialmente_Nublado, ,73.4,73.4,71.6,71.6,48.2,43,29.89,6.9,Altamente_Nublado, ,59,59,60.8,60.8,51.8,72,29.77,11.5,Altamente_Nublado, ,53.6,53.6,53.6,53.6,53.6,100,29.62,9.2,Lluvia, ,53.6,53.6,53.6,53.6,53.6,100,29.59,10.4,Lluvia, ,57.2,57.2,59,59,41,51,30.06,3.5,Nubes_Dispersas, ,66.2,66.2,66.2,66.2,46.4,49,29.98,13.8,Nubes_Dispersas, ,51.8,51.8,50,50,50,100,30.01,1.2,Despejado,50 10,50,50,50,50,50,100,?,1.2,Niebla,50 10,57.2,57.2,59,59,57.2,94,?,1.2,Nublado,59 10,55.4,55.4,55.4,55.4,53.6,94,30.36,4.6,Despejado, ,50,50,50,?,?,?,?,?,?, ,77,77,77,77,51.8,41,30.33,2.3,Nubes_Dispersas, ,73.4,73.4,66.2,66.2,48.2,52,30.33,1.2,Altamente_Nublado, ,59,59,57.2,57.2,51.8,82,30.36,1.2,Despejado, ,57.2,57.2,64.4,64.4,51.8,64,30.24,1.2,Despejado, ,69.8,69.8,64.4,64.4,44.6,49,30.15,1.2,Despejado,59 10,51.8,51.8,51.8,51.8,46.4,82,30.15,3.5,Despejado, ,53.6,53.6,55.4,55.4,51.8,88,30.27,1.2,Altamente_Nublado, ,68,68,69.8,?,?,?,?,?,?,73.4
8 10,44.6,44.6,42.8,42.8,33.8,70,30.39,5.8,Despejado,41 10,51.8,51.8,59,59,37.4,45,30.45,1.2,Despejado, ,48.2,48.2,48.2,48.2,33.8,58,30.45,6.9,Despejado, ,69.8,69.8,62.6,62.6,39.2,42,30.39,1.2,Despejado, ,69.8,69.8,66.2,60.8,37.4,42,30.33,?,Despejado, ,69.8,69.8,68,68,42.8,40,30.15,11.5,Nubes_Dispersas,? 11,57.2,57.2,55.4,53.6,50,88,30.09,10.4,Lluvia_Leve, ,53.6,53.6,53.6,53.6,51.8,94,30.06,10.4,Altamente_Nublado, ,37.4,37.4,44.6,44.6,39.2,81,30.39,2.3,Despejado, ,59,59,62.6,?,?,?,?,?,?, ,39.2,39.2,37.4,37.4,37.4,100,30.36,1.2,Despejado, ,37.4,37.4,46.4,46.4,42.8,87,30.42,1.2,Despejado, ,48.2,48.2,46.4,46.4,42.8,87,30.27,4.6,Nubes_Dispersas, ,50,50,50,50,46.4,87,29.5,1.2,Altamente_Nublado, ,51.8,51.8,51.8,?,?,?,?,?,?,50... Algunas modificaciones que se han tenido que hacer para realizar el fichero arff de forma correcta son las siguientes: Para las condiciones se han tenido que sustituir los espacios en blanco por guiones bajos,_, porque sino Weka el fichero lo entendía como otro token(cada palabra separada por espacios en blanco) y el fichero no se cargaba en Weka correctamente. Los valores desconocidos para Weka como son ,-9999,N/A,-, y los datos vacíos han sido sustituidos por el valor desconocido que entiende la herramienta que es?. Para el buen procesamiento de Weka se ha tenido que sustituir el valor de velocidad del viento que en muchos datos venía como Calm al valor mas pequeño encontrado que es 1.2 ya que tal y como lo hemos definido se tenia que tratar de un valor real y Calm era un valor no definido. Una vez que tenemos el fichero.arff disponible para ser ejecutado con WEKA y antes de empezar con dicha herramienta más vale aclarar el objetivo de la práctica. El objetivo de la práctica es desarrollar un sistema de caracterización meteorológica, utilizando la plataforma WEKA como herramienta de aplicación de algoritmos de aprendizaje. En concreto hay que desarrollar tres modelos de predicción: Predicción de temperatura a 1 hora Predicción de temperatura a 24 horas Predicción de condiciones meteorológicas (Despejado, Parcialmente Nublado, etc ) a 24 horas. Visualización de todos los datos Una vez cargado el fichero en Weka podemos ver los datos con los que vamos a trabajar para realizar la predicción En nuestro caso estas variables son las variables ya filtradas que hemos considerado más importantes para la predicción de la temperatura a una hora posterior.
9 Para ver todas las variables con las que vamos a trabajar no hay más que darle al botón de Visualize en la pantalla principal de inicio de Weka, a continuación se muestra su presentación: Cada uno de los ficheros tiene aproximadamente unas 4000 líneas escogidas de forma aleatoria y repartida por todo el fichero. Esto se ha hecho así ya que si se utilizaba el fichero entero con las aproximadamente instancias no había suficiente memoria para poder utilizar la herramienta Weka de forma correcta. Para escoger las líneas de forma aleatoria se ha utilizado un programa en Java que escoja las líneas de forma aleatoria y las vaya guardando en un fichero de salida. Las variables que se han descartado han sido todas las referentes a estados de una hora y media antes, una hora antes y media hora antes excepto el valor de la temperatura que puede ser útil para predecir el valor de la temperatura a una hora después y se han dejando todos los valores de la hora actual excepto los correspondientes a año, día,hora, visibilidad, dirección del viento, velocidad de ráfagas de viento, precipitación y eventos por considerar que no ofrecían importancia para la predicción a una temperatura posterior. La de los estados anteriores se han quitado por pensar que serían muy similares a las del estado actual y que no ofrecerían relevancia para la predicción de la variable a determinar.
10 ALGORITMOS EMPLEADOS Clasificador como árbol de decisión: J48 El algoritmo J48 de WEKA es una implementación del algoritmo C4.5, uno de los algoritmos de minería de datos que más se ha utilizado en multitud de aplicaciones. No vamos a entrar en los detalles de todos los parámetros de configuración, y únicamente resaltaremos uno de los más importantes, el factor de confianza para la poda, confidence level, puesto que influye notoriamente en el tamaño y capacidad de predicción del árbol construido. Tabla de Decisión (Decisión Table) La tabla de decisión es un instrumento para decidir la mejor alternativa en un proceso de decisión. Para ello se utiliza el concepto de regla de decisión, que es una aplicación que asocia a cada alternativa un número, que expresa las preferencias del decisor por los resultados asociados a dicha alternativa. Una tabla de decisión se compone de una matriz en la que se almacenan una serie de condiciones y sus correspondientes acciones. El problema de este algoritmo es decidir qué atributos introducir en la tabla. Algoritmo LeastMedSq Implementa una regresión lineal LeastMedSq utilizando la clasificación por regresión lineal disponible en el WEKA para formar predicciones. Las funciones LeastMedSq se generan a partir de un muestreo de datos aleatorio. La regresión ajustada con el error cuadrático medio más bajo se elige como el modelo final. SMOReg Implementa el algoritmo de optimización de secuencia mínima desarrollado por John C. Platts para entrenar una SVM (máquina de vectores soporte) con kernel polinomiales o funciones de base radial (RBF). Esta implementación substituye todos los valores que faltan y transforma atributos nominales en otros binarios. También normaliza todos los atributos por defecto. (los coeficientes a la salida están basados en los datos normalizados, no en los originales.) SMO Es similar al anterior pero soluciona problemas multiclase usando clasificación por parejas. En los casos multi-clase las probabilidades predichas se juntaran usando los métodos de emparejamiento Hastie y Tibshirani. REPTree Es un método de aprendizaje rápido mediante árboles de decisión. Construye un árbol de decisión usando la información de varianza y lo poda usando como criterio la reducción del error. Solamente clasifica valores para atributos numéricos una vez. Los valores que faltan se obtienen partiendo las correspondientes instancias.
11 OneR Este es uno de los clasificadores más sencillos y rápidos, aunque en ocasiones sus resultados son sorprendentemente buenos en comparación con algoritmos mucho más complejos. Simplemente selecciona el atributo que mejor explica la clase de salida. Si hay atributos numéricos, busca los umbrales para hacer reglas con mejor tasa de aciertos. Predicción de la temperatura a una hora Para la predicción de la temperatura a una hora posterior lo que hacemos es utilizar las instancias que disponemos en la actualidad, la temperatura hace media hora, la temperatura hace una hora, la temperatura hace una hora y media para realizar la predicción en Weka. Para calcular dicha predicción utilizamos varios métodos de los que se han explicado anteriormente y alguno más. Para ver que variables son las más importantes, se puede utilizar el método de regresión lineal que es el que mejor muestra a través de los pesos que variables son las más importantes a la hora de realizar la predicción. El método de regresión lineal te pone la variable que quieres determinar en función del resto de variables que has considerado importante para su predicción y a cada variable le asocia un peso según su importancia. Por el método de regresión lineal se ve que las variables más importantes son la de las condiciones actuales y la referente a la temperatura actual y temperatura hace treinta minutos principalmente. Otra forma de saber que variables son las más importantes es por medio de la relación existente en los dibujos que relacionan las variables entre sí. Para la predicción de temperatura a una hora obtenemos los siguientes resultados para los siguientes algoritmos ejecutados: Decision Table
12 REPTree Kstar LeastMedSq SMOReg IB1
13 Regresión Lineal Decisión Stump Para la predicción de temperatura a una hora obtenemos la siguiente tabla-resumen de resultados: Algoritmo Root Mean Squared Error Relative Absolute Error(%) Mean Absolute Error Decision Table RepTree Kstar LeastMedSq SMOreg IB IBK(K=1) Regresion Lineal Decision Stump Desde el punto de vista de Root Mean Squared Error el mejor método es el del algoritmo Kstar, mientras que para el Relative Absolute Error el mejor algoritmo es el SMOreg. Desde el punto de vista del mean absolute error (que es la clasificación que nos interesa) el mejor algoritmo es el de SMOreg también. Predicción para la temperatura a veinticuatro horas Para la predicción de la temperatura veinticuatro horas despues lo que hacemos es utilizar las instancias que disponemos en la actualidad, la temperatura hace media hora, la temperatura hace una hora, la temperatura hace una hora y media para realizar la predicción en Weka. Para calcular dicha predicción utilizamos varios métodos de los que se han explicado con anterioridad. Para ver que variables son las más importantes, se puede utilizar el método de regresión lineal que es el que mejor muestra a través de los pesos que variables son las más importantes a la hora de realizar la predicción.
14 Las variables más importantes según el método de regresión lineal son la dirección del viento, las condiciones, la visibilidad y la temperatura una hora antes, ya que estas variables son las que mayor peso tienen en la función lineal de salida para la predicción de la temperatura veinticuatro horas posterior. Para la predicción de la temperatura a veinticuatro horas usamos los siguientes métodos con los correspondientes resultados: Para el Decisión Table Para el REPTree Para el Kstar
15 Para el LeastMedSq M5P Para el IB1 Para el IB5 Para el algoritmo de Regresión Lineal
16 Para el algoritmo Decision Stump Para la predicción de temperatura a veinticuatro horas obtenemos la siguiente tabla-resumen de resultados: Algoritmo Root Mean Squared Error Relative Absolute Error(%) Mean Absolute Error Decision Table RepTree Kstar LeastMedSq M5P IB IB Regresion Lineal Decision Stump En este caso el mejor método encontrado es el M5P que es el que mejor Root Mean Squared error tiene, el que menor Relative error y el que menor mean absolute error tiene. Predicción para las condiciones a veinticuatro horas Para la predicción de las condiciones a veinticuatro horas después lo que hacemos es utilizar las instancias que disponemos en la actualidad, la temperatura hace media hora, la temperatura hace una hora, la temperatura hace una hora y media para realizar la predicción en Weka. Para calcular dicha predicción utilizamos varios métodos ya descritos anteriormente. Para ver las variables más importantes se puede obtener por medio de los dibujos que relacionan las variables entre sí. Para las condiciones meteorológicas a veinticuatro horas, los resultados de los métodos son los que a continuación se muestran: Algoritmo SMO
17 Algoritmo LWL Para el algoritmo Decision Table Para el algoritmo REPTree Para el algoritmo Kstar
18 Para el algoritmo IB1 Para el algoritmo IB5 Para el algoritmo Decisión Stump Para el algoritmooner Para la predicción de las condiciones meteorológicas a veinticuatro horas obtenemos la siguiente tabla-resumen de los resultados de los algoritmos utilizados:
19 Algoritmo Root Mean Squared Error Relative Absolute Error(%) Mean Absolute Error Tasa de aciertos Decision Table RepTree Kstar SMO LWL IB IB OneR Decision Stump En este caso el método que mejor root mean squared error da es LWL, es que mejor relative absolute error es el OneR y el que mejor mean absolute error tiene que es el que más nos interesa es el del OneR también. En este caso también se añade una tasa de aciertos, el método que mejor tasa de aciertos tiene es el SMO con una tasa de aciertos no muy buena. La tasa de aciertos es del 44.97%, por lo que el resultado no es muy bueno. En muchos de los resultados salían matrices de confusión, aquí se pretende explicar qué es lo que representan dichas matrices: Matriz de confusión: aquí aparece la información detallada de cuantas instancias de cada clase son predichas a cada uno de los valores posibles. Por tanto, es una matriz con N 2 posiciones, con N el número de valores que puede tomar la clase. En cada fila i, i=1...n, aparecen las instancias que realmente son de la clase i, mientras que las columnas j, j=1...n, son las que se han predicho al valor j de la clase. En el ejemplo anterior, la matriz de confusión que aparece es la siguiente: === Confusion Matrix === a b <-- classified as a = SI b = NO por tanto, los valores en la diagonal son los aciertos, y el resto de valores son los errores. Conclusiones Weka es una potente herramienta que nos permite, una vez procesado y obtenido el adecuado formato para que lo entienda Weka, realizar métodos o algoritmos de predicción y clasificación de forma cómoda y eficiente. Es por ello que Weka lleva implementados una serie de algoritmos para tal efecto. Para los resultados obtenidos, se puede decir que son relativamente aceptables tanto en el error medio como en el absoluto, aunque hemos visto que pueden tener una baja tasa de aciertos. Para el uso de Weka hemos tenido que trabajar con archivos de unas 4000 líneas para poder hacer operable el programa Weka, ya que en caso contrario si usábamos toda la información disponible obteníamos problemas derivados con la sobrecarga de datos y nos salían errores de escasez de memoria para poder ejecutar los algoritmos. La selección de las líneas para trabajar con Weka son de forma totalmente aleatoria y se cogen muestras de todos los días, meses y años de los cuales tenemos datos para no perder datos que puedan sernos importantes.
20 Bibliografía: -Tutorial WEKA -Weka 3: Data Mining Software in Java
21 ANEXO : PROGRAMAS UTILIZADOS PARA EL TRATAMIENTO DE DATOS Programa de concatenacion de tres registros import java.io.*; public class Concatena{ public void concat()throws IOException{ BufferedReader entrada=new BufferedReader(new FileReader("lemd.csv")); BufferedWriter salida = new BufferedWriter(new FileWriter("meteo.arff")); String linea; String acumulada; String acumulada2; linea=entrada.readline(); acumulada=entrada.readline(); linea=linea+","+acumulada; acumulada2=entrada.readline(); linea=linea+","+acumulada2; acumulada=acumulada+","+acumulada2; System.out.println("hola"); while(acumulada2!=null){ System.out.println(acumulada2); salida.write(linea); salida.newline(); linea=acumulada; acumulada=acumulada2; acumulada2=entrada.readline(); linea=linea+","+acumulada2; acumulada=acumulada+","+acumulada2; salida.flush(); salida.close(); entrada.close(); public static void main(string args[])throws IOException{ Concatena concatena=new Concatena(); concatena.concat(); Programa para seleccionar instancias aleatorias dentro del fichero import java.io.*; public class Muestreo{ public void leefichero()throws IOException{ BufferedReader leelineas = new BufferedReader(new FileReader("temp1mas.arff")); BufferedWriter salida = new BufferedWriter(new FileWriter("tempe.arff")); int numlineas; String linealeida; linealeida=leelineas.readline(); while(linealeida!=null){ if((math.random()>=0.91)){ salida.write(linealeida); salida.newline(); salida.flush(); linealeida=leelineas.readline();
22 salida.flush(); salida.close(); leelineas.close(); public static void main(string args[])throws IOException{ Muestreo muestreo= new Muestreo(); muestreo.leefichero(); Programa para añadir otros registros necesarios de temperatura para tener una buena predicción en Weka. import java.io.*; public class AniadirDatos{ public void leefichero()throws IOException{ BufferedReader leelineas = new BufferedReader(new FileReader("meteo.arff")); BufferedWriter salida = new BufferedWriter(new FileWriter("temp1mas.arff")); int numlineas; String temperatura; String linealeida; String acumulada; linealeida=leelineas.readline(); acumulada=linealeida; while(linealeida!=null){ for(numlineas=1;numlineas<4;numlineas++){ linealeida=leelineas.readline(); acumulada=acumulada+","+linealeida; salida.write(acumulada); salida.newline(); linealeida=leelineas.readline(); acumulada=linealeida; salida.flush(); salida.close(); leelineas.close(); public static void main(string args[])throws IOException{ AniadirDatos aniade=new AniadirDatos(); aniade.leefichero();
Predicción meteorológica
Predicción meteorológica Trabajo hecho por: Roberto García Sanchez Pablo Casas Muñoz Qué es WEKA? Acrónimo de Waikate Environment for Knowledge Analisis Es un entorno para experimentación de análisis de
Más detallesInteligencia en Redes de Comunicaciones
Inteligencia en Redes de Comunicaciones Predicción meteorológica Aitor Mendaza Ormaza 100021542 INDICE Introducción 1 Tratamiento de Datos.5 Resultados y análisis 7 Introducción: El objetivo de esta práctica
Más detallesINGENIERÍA DE TELECOMUNICACIÓN INTELIGENCIA EN REDES DE ORDENADORES
INGENIERÍA DE TELECOMUNICACIÓN INTELIGENCIA EN REDES DE ORDENADORES Jaime de Uriarte de Antonio 100021498 Olivia García Robas 100021435 ÍNDICE Página 1. Introducción 3 2. Tratamiento de datos 4 3. Predicciones..
Más detallesPráctica Final INTELIGENCIA EN REDES DE COMUNICACIONES
Práctica Final INTELIGENCIA EN REDES DE COMUNICACIONES Minería de Datos: Predicción de las condiciones meteorológicas Carlos Blanco González Fernando García Diez Grupo 91 5º curso Ing. telecomunicación
Más detallesPREDICCIÓN METEOROLÓGICA
PRÁCTICA FINAL DE INTELIGENCIA EN REDES DE ORDENADORES PREDICCIÓN METEOROLÓGICA 5º INGENIERIA DE TELECOMUNICACIÓN Julio Alberto Polo Fernández 100029757 Raúl Muñoz Martínez 100029571 INDICE 1) Introducción
Más detallesPráctica Final: Predicción Metereológica en Weka.
INTELIGENCIA EN REDES DE COMUNICACIONES Práctica Final: Predicción Metereológica en Weka. Ramón Fernández Lorenzana 100025293 Manuel Asenjo Chacón 100050872 5º Ingeniería de Telecomunicación 1.PREPROCESADO
Más detallesPredicción de la relación entre el género, la cantidad de cigarrillos y enfermedades usando Máquinas de Vector Soporte
Predicción de la relación entre el género, la cantidad de cigarrillos y enfermedades usando Máquinas de Vector Soporte Resumen En este trabajo se usó Máquinas de Vectores de Soporte (SVM, por sus siglas
Más detallesPráctica 1: Introducción a SPSS 1
Estadística Aplicada Curso 2010/2011 Diplomatura en Nutrición Humana y Dietética Práctica 1: Introducción a SPSS 1 Este programa estadístico está organizado en dos bloques: el editor de datos y el visor
Más detallesPREDICCIÓN METEOROLÓGICA
PREDICCIÓN METEOROLÓGICA INTELIGENCIA EN REDES DE COMUNICACIONES INTRODUCCIÓN En esta práctica se pretende obtener un sistema real de predicción meteorológica utilizando técnicas de aprendizaje automático
Más detallesPREDICCIÓN METEOROLÓGICA
PREDICCIÓN METEOROLÓGICA PRÁCTICA FINAL INTELIGENCIA EN REDES DE COMUNICAIONES Roberto Díaz Morales 100025231 Jaime Mayor Berzal 100025204 Índice Introducción Tratamiento de datos Predicciones Cuadro con
Más detallesALCHEMY SEARCH VERSIÓN 8.2 GUIA DE REFERENCIA RÁPIDA
ALCHEMY SEARCH VERSIÓN 8.2 GUIA DE REFERENCIA RÁPIDA 1. El programa Captaris Alchemy... 3 2. Como abrir una Base de Datos... 4 3. Como buscar información... 5 3.1 La pestaña Perfil del documento.... 6
Más detallesPreprocesado de Datos
Preprocesado de Datos Juan A. Botía Departamento de Ingeniería de la Información y las Comunicaciones Universidad de Murcia Ingeniería Superior en Informática, UMU Juan A. Botía (Departamento de Ingeniería
Más detallesTEMA I EL SISTEMA SAP R/3
TEMA I EL SISTEMA SAP R/3 INTRODUCCIÓN El Sistema SAP R/3 en su versión estándar presenta una amplia selección de informes, para acceder a ellos se podrá llegar por dos caminos, llegando al mismo destino,
Más detallesEJERCICIOS EXCEL. Guardar el libro en tu pen drive, con el nombre PRACTICA1_ALUMNO_GRUPO.
EJERCICIOS EXCEL EJERCICIO DEL PRECIO CON IVA Crear un libro para saber cuál es el precio de un artículo aplicándole el 16% de IVA. El precio sin IVA es un valor que se tendrá que introducir, así como
Más detallesSESIÓN PRÁCTICA 7: REGRESION LINEAL SIMPLE PROBABILIDAD Y ESTADÍSTICA. PROF. Esther González Sánchez. Departamento de Informática y Sistemas
SESIÓN PRÁCTICA 7: REGRESION LINEAL SIMPLE PROBABILIDAD Y ESTADÍSTICA PROF. Esther González Sánchez Departamento de Informática y Sistemas Facultad de Informática Universidad de Las Palmas de Gran Canaria
Más detallesARREGLOS EN. Nota: El autor.
ARREGLOS EN Nota: PSeInt es un software importante y muy útil para aquellos estudiantes que se inician en el aprendizaje de la programación. Pero como todo programa informático contiene errores o los famosos
Más detallesCómo accedo al campus y a mi curso? Porqué un nuevo campus? CAMPUS VIRTUAL TUTORIAL CAMPUS. usuario alumno
TUTORIAL CAMPUS usuario alumno Porqué un nuevo campus? Se ha implementado un nuevo campus virtual que se encuentra disponible para todos los alumnos y docentes de la Universidad. El nuevo campus virtual
Más detallesREGRESIÓN LINEAL CON SPSS
ESCUELA SUPERIOR DE INFORMÁTICA Prácticas de Estadística REGRESIÓN LINEAL CON SPSS 1.- INTRODUCCIÓN El análisis de regresión lineal es una técnica estadística utilizada para estudiar la relación entre
Más detallesExcel 2007 Completo. Duración: Objetivos: Contenido: 75 horas
Excel 2007 Completo Duración: 75 horas Objetivos: Curso para aprender a utilizar la hoja de cálculo Microsoft Excel 2007, explicando todas las funciones que la aplicación posee y viendo el uso de este
Más detallesD.2 ANÁLISIS ESTADÍSTICO DE LAS TEMPERATURAS DE VERANO
Anejo Análisis estadístico de temperaturas Análisis estadístico de temperaturas - 411 - D.1 INTRODUCCIÓN Y OBJETIVO El presente anejo tiene por objeto hacer un análisis estadístico de los registros térmicos
Más detallesAPRENDIZAJE BASADO EN INSTANCIAS. Eduardo Morales y Jesús González
APRENDIZAJE BASADO EN INSTANCIAS Eduardo Morales y Jesús González Aprendizaje basado en Instancias 2 Diferente al tipo de aprendizaje que hemos visto Se almacenan los ejemplos de entrenamiento Para clasificar
Más detallesIntroducción a las bases de datos y Access
Introducción a las bases de datos y Access capítulo 20 Introducción a las bases de datos y Access introducción 20. Introducción a las bases de datos 20.1. Qué es una base de datos? Según la Real Academia
Más detallesTRABAJO PRÁCTICO ESTADISTICA APLICADA (746)
UNIVERSIDAD NACIONAL ABIERTA VICERRECTORADO ACADEMICO AREA DE MATEMATICA TRABAJO PRÁCTICO ESTADISTICA APLICADA (746) JOSE GREGORIO SANCHEZ CASANOVA C.I. V-9223081 CARRERA: 610 SECCION Nº 1 SAN CRISTOBAL,
Más detallesGuía básica de implementación
Guía básica de implementación Gestión básica de redes ethernet Herramienta ConneXview Centro de Competencia Técnica Objeto del presente documento Éste documento pretende ser una guía básica paso a paso
Más detallesExplorando la ecuación de la recta pendiente intercepto
Explorando la ecuación de la recta pendiente intercepto Realiza las siguientes actividades, mientras trabajas con el tutorial. 1. Los puntos que están en la misma recta se dice que son. 2. Describe el
Más detallesEjercicios del tema 5. Jerarquía de de Memoria
Ejercicios del tema 5. Jerarquía de de Memoria Ejercicio 1. Considere un computador de 32 bits con una caché de 64 KB asociativa por conjuntos de 4 vías y un tiempo de acceso de 4 ns. El tamaño de la línea
Más detallesPráctica 2 Estadística Descriptiva
Práctica 2 Estadística Descriptiva Contenido Introducción...................................... 1 Tablas de frecuencias................................. 2 Medidas de centralización, dispersión y forma...................
Más detallesObjetivos y Temario CURSO SQL SERVER 2012
Objetivos y Temario CURSO SQL SERVER 2012 OBJETIVOS Este curso está dirigido a todos los que comienzan a trabajar con SQL Server 2012. De una forma rápida y concisa obtendrá el conocimiento necesario para
Más detallesMICROSOFT ACCESS 2007
MICROSOFT ACCESS 2007 1. AVANZADO Nº Horas: 24 Objetivos: Descripción del funcionamiento del programa de gestión de bases de datos Microsoft Access 2007, estudiando los conceptos fundamentales de las bases
Más detallesLa sintaxis básica para definir una clase es la que a continuación se muestra:
DEFINICIÓN DE CLASES Y OBJETOS EN C# Sintaxis de definición de clases La sintaxis básica para definir una clase es la que a continuación se muestra: class nombreclase miembros De este modo se definiría
Más detallesPrácticas de inferencia y muestreo.
Prácticas de inferencia y muestreo. Contenido de la presentación Una herramienta de creación de actividades: HotPotatoes. Applets: algunos ejemplos sobre inferencia y estadística descriptiva. Excel como
Más detallesFORMACIÓN PRÁCTICA: Al propio ritmo de aprendizaje, sin condicionantes de grupo y atendido personalmente por un profesorado especializado.
EXCEL 2010 COMPLETO Descripción del curso: Curso dividido en tres módulos, el alumno aprenderá Excel Básico: Iniciación a este programa especializado en la creación de hojas de cálculo nos permite agrupar,
Más detallesSegunda práctica de REGRESIÓN.
Segunda práctica de REGRESIÓN. DATOS: fichero practica regresión 2.sf3. Objetivo: El objetivo de esta práctica es interpretar una regresión y realizar correctamente la diagnosis. En la primera parte se
Más detallesGestión de datos con STATGRAPHICS
Gestión de datos con STATGRAPHICS 1. Entrada-salida del sistema Para entrar en STATGRAPHICS Plus debemos invocar el programa SGWIN.EXE, bien ejecutándolo explícitamente o haciendo doble click sobre el
Más detallesEliminador de Temporales y Reparador de Registros
Eliminador de Temporales y Reparador de Registros CCleaner Defraggler Recuva Speccy 1 Página Principal http://www.piriform.com/ 2 http://www.piriform.com/ 3 http://www.piriform.com/download 4 http://www.piriform.com/download
Más detallesMicrosoft Access 2003 (Completo)
Página 1 Horas de teoría: 27 Horas de práctica: 25 Precio del Curso: 167 Descripción del funcionamiento del programa de gestión de bases de datos Microsoft Access 2003, estudiando los conceptos fundamentales
Más detallesProblemas de Recursividad
Problemas de Recursividad Problema 1. El factorial de un número entero n 0, denotado como n!, se define! como!!! i = 1 2 n cuando n > 0, y 0! = 1. Por ejemplo 6! = 1 2 3 4 5 6 = 720 Diseñad una método
Más detallesRED DE ESTACIONES METEOROLÓGICAS DE NAVARRA: GESTIÓN Y NUEVOS
Territorial 2000 1 RED DE ESTACIONES METEOROLÓGICAS DE NAVARRA: GESTIÓN Y NUEVOS DESARROLLOS. Rafael Sánchez, Itziar Berrospe, Alejo Berastegui, Miguel Donezar, Gaspar Domench CETENASA, DEPARTAMENTO DE
Más detallesManual para importar ficheros CSV en la aplicación de Comunicación de pagos
Manual para importar ficheros CSV en la aplicación de Comunicación de pagos Introducción.... 2 Importar pagos desde ficheros CSV.... 2 1. Creación de la hoja de cálculo para importar pagos a la aplicación....
Más detallesII. SECCIONES PRINCIPALES 1-2-3... Figura1: Partes principales de un Informe Técnico
Formato del Informe El informe técnico debe ser un documento profesional. Para clarificar el texto deben usarse Figuras, tablas y dibujos. Las tres partes principales de un informe técnico se muestran
Más detallesMinería a de Datos. plataforma WEKA. Ismael Fernández Castellano Telmo Calle Facal
Minería a de Datos Predicción n meteorológica con la plataforma WEKA Ismael Fernández Castellano Telmo Calle Facal Introducción Buscamos un sistema de caracterización meteorológica a partir de datos tomados
Más detalles5 Relaciones entre variables.
ANÁLISIS EPLORATORIO DE DATOS 39 ANÁLISIS EPLORATORIO DE DATOS 40 Relaciones entre variables..1 Ejercicios. Ejercicio.1 En una muestra de 0 individuos se recogen datos sobre dos medidas antropométricas
Más detallesCLAVE ASIGNATURA REQUISITOS HORA/SEMANA CREDITOS TI-8 PROGRAMACION II 80% DE ASISTENCIA 4 6
PRESENTACIÓN: La programación orientada a objetos es una evolución de la programación procedural basada en funciones. La POO permite agrupar secciones de código con funcionalidades comunes, pretende agrupar
Más detalles4.1 Dispositivos y manejadores de dispositivos: device drivers
Unidad IV: Administración de entrada/salida 4.1 Dispositivos y manejadores de dispositivos: device drivers Se pueden clasificar en dos grandes categorías: 1. Dispositivos de bloque 2. Dispositivos de carácter
Más detallesARQUITECTURA Y DISEÑO DE SISTEMAS WEB Y C/S
ARQUITECTURA Y DISEÑO DE SISTEMAS WEB Y C/S Grado en Ingeniero en Informática Sistemas de Información Universidad de Alcalá Curso Académico 2012/13 Curso 4º Cuatrimestre 1º GUÍA DOCENTE Nombre de la asignatura:
Más detallesLa ayuda y referencia de Visual Basic y otros recursos como herramientas para los programadores. (CU00306A)
aprenderaprogramar.com La ayuda y referencia de Visual Basic y otros recursos como herramientas para los programadores. (CU00306A) Sección: Cursos Categoría: Curso Visual Basic Nivel I Fecha revisión:
Más detallesPROGRAMACIÓN LINEAL ENTERA
PROGRAMACIÓN LINEAL ENTERA Programación lineal: hipótesis de perfecta divisibilidad Así pues decimos que un problema es de programación lineal entera, cuando prescindiendo de las condiciones de integridad,
Más detallesConceptos básicos de bases de datos
Conceptos básicos de bases de datos En este artículo se realiza una breve introducción a las bases de datos: qué son, por qué podría querer usar una y cuáles son las funciones de las distintas partes de
Más detallesManual de usuario OTIC365
Manual de usuario OTIC365 Tabla de contenido Tabla de contenido... 2 Introducción... 2 Cambiar Logo y Nombre... 2 Cambiar el aspecto... 4 Añadir Nueva Noticia... 7 Editar un elemento... 9 Borrar un elemento...
Más detallesSISTEMAS INTELIGENTES
SISTEMAS INTELIGENTES T8: Aprendizaje basado en instancias www.aic.uniovi.es/ssii Índice Aprendizaje basado en instancias Métricas NN Vecino más próximo: Regiones de Voronoi El parámetro K Problemas de
Más detallesSistemas de ecuaciones lineales 4
4. SISTEMAS DE ECUACIONES LINEALES 4.1. DEFINICIONES Y CLASIFICACIÓN DE SISTEMAS. La ecuación de una recta en el plano tiene la forma ; su generalización a variables es:, y recibe el nombre de ecuación
Más detallesPráctica 1 de Microsoft Access
Práctica 1 de Microsoft Access Israel González Carrasco (israel.gonzalez@uc3m.es) María Belén Ruiz Mezcua (mbelen.ruiz@uc3m.es) 1. CONCEPTOS PRELIMINARES Base de Datos. Conjunto de datos interrelacionados
Más detallesSesión No. 12. Contextualización INFORMÁTICA 1. Nombre: Editor de Publicaciones (Microsoft Publisher)
INFORMÁTICA INFORMÁTICA 1 Sesión No. 12 Nombre: Editor de Publicaciones (Microsoft Publisher) Contextualización Microsoft Publisher es un editor de publicaciones y forma parte de la suite de Microsoft
Más detallesÍndice... 2 1. Introducción... 3 2. Acceso al portal Spontania... 4 Descarga cliente de Mensajería Instantánea... 8 Acceso a Encuestas...
1 TABLA DE CONTENIDO Índice... 2 1. Introducción... 3 2. Acceso al portal Spontania... 4 Descarga cliente de Mensajería Instantánea... 8 Acceso a Encuestas... 9 2 1. Introducción Cada sesión de videoconferencia
Más detallesPRUEBA DE NIVEL DE ACCES
PRUEBA DE NIVEL DE ACCES NOMBRE Y APELLIDOS:... 1. Microsoft Access es: Una base de datos relacional. Una base de datos no relacional. Una base de datos documental. Ninguna de las afirmaciones es correcta.
Más detallesUso de plantillas y documentos Office
Uso de plantillas y documentos Office El Sistema de Nómina permite generar documentos en formato Word mediante el empleo de la opción Documentos Office que se encuentra en el menú de trabajador. La generación
Más detallesAspen Plus software de simulación de procesos
Aspen Plus software de simulación de procesos Hay muchos subprogramas dentro de la familia de la Aspen Tech. Este manual describe un diagrama de flujo simple a seguir para la solución de un tanque de destilación
Más detallesTUTORIAL INTRODUCTORIO DE MATLAB
TUTORIAL INTRODUCTORIO DE MATLAB (PVB Parte I) Consejos y tips para tener en cuenta. Si la forma de la interface o la disposición de las ventanas cambia de configuración, ya sea que se desordenen o se
Más detalles1.1. Resumen. 1.2. Introducción. 1.3. Objetivos del resumen automático
1. RESUMEN AUTOMÁTICO 1.1. Resumen El objetivo de esta web es explicar en qué consiste el resumen automático de documentos y cómo es posible combinar técnicas de recuperación y organización de la información
Más detallesLos números enteros. > significa "mayor que". Ejemplo: 58 > 12 < significa "menor que". Ejemplo: 3 < 12 Cualquier número positivo siempre es mayor
Los números enteros Los números enteros Los números enteros son aquellos que permiten contar tanto los objetos que se tienen, como los objetos que se deben. Enteros positivos: precedidos por el signo +
Más detallesANÁLISIS DE CONGLOMERADOS
ANÁLISIS DE CONGLOMERADOS Análisis de conglomerados Autor: Manuel Terrádez Gurrea (mterradez@uoc.edu). ESQUEMA DE CONTENIDOS Análisis de conglomerados (cluster) Interpretación de dendogramas INTRODUCCIÓN
Más detallesIsmael Fernández Castellano Telmo Calle Facal Grupo 91
PREDICCIÓN METEOROLÓGICA CON LA PLATAFORMA WEKA Ismael Fernández Castellano 100033034 Telmo Calle Facal 100035925 Grupo 91 1. INTRODUCCIÓN El objetivo de la práctica es desarrollar un sistema de caracterización
Más detallesCálculo de Precio por Kilo WhitePaper Agosto de 2007
Cálculo de Precio por Kilo WhitePaper Agosto de 2007 Contenidos 1. Propósito 3 2. Configuración de Materiales 4 3. Creación de la Materia Prima 5 4. Colores 8 5. Tarifas 9 6. Fórmulas realizadas por PrefSuite
Más detallesCONTROL DE CRUCES DE FACTURAS DE VENTA
CONTROL DE CRUCES DE FACTURAS DE VENTA Qué es el control de cruces de facturas de venta? El control de cruces de facturas de venta son informes que genera el programa los cuales presentan listados donde
Más detallesCapítulo IV. Análisis y Diseño del software (Módulo de dictado)
Análisis y Diseño del software (Módulo de dictado) En este capítulo se hablará principalmente del análisis y diseño del módulo de dictado que es el objetivo principal de la realización de esta tesis. Se
Más detallesDaVinciTEXTIL. Codificación de artículos
Codificación de artículos El código de los artículos, consta de un máximo de 10 caracteres alfanuméricos Antes de empezar a codificar los artículos/materiales se debe tener en cuenta que el sistema permite
Más detallesDistribuciones bidimensionales. Regresión.
Temas de Estadística Práctica Antonio Roldán Martínez Proyecto http://www.hojamat.es/ Tema 5: Distribuciones bidimensionales. Regresión. Resumen teórico Resumen teórico de los principales conceptos estadísticos
Más detallesGRÁFICOS GRÁFICOS EN SPSS. Bakieva, M., González Such, J., Jornet, J., Terol, L.
GRÁFICOS GRÁFICOS EN SPSS GRÁFICOS EN SPSS. TIPOS DE GRÁFICOS. GRÁFICOS DE BARRAS; GRÁFICOS DE LÍNEAS; GRÁFICOS DE ÁREAS; GRÁFICOS DE SECTORES; GRÁFICOS DE MÁXIMOS Y MÍNIMOS; DIAGRAMA DE CAJA; DIAGRAMAS
Más detallesUnidad 2. Componentes de LibreOffice. CURSO: Introducción LibreOffice
Unidad 2 Componentes de LibreOffice CURSO: Introducción LibreOffice 1 Introducción Como hemos dicho, LibreOffice es una suite ofimática, es decir que tiene diferentes programas para dar soporte a las tareas
Más detallesREPASO ARRAYS MULTIDIMENSIONALES EN JAVA. DECLARACIÓN Y USO. EJEMPLOS Y EJERCICIOS RESUELTOS. (CU00905C)
APRENDERAPROGRAMAR.COM REPASO ARRAYS MULTIDIMENSIONALES EN JAVA. DECLARACIÓN Y USO. EJEMPLOS Y EJERCICIOS RESUELTOS. (CU00905C) Sección: Cursos Categoría: Lenguaje de programación Java nivel avanzado I
Más detallesSESIÓN 10 PRÁCTICA DE POWER POINT.
SESIÓN 10 PRÁCTICA DE POWER POINT. I. CONTENIDOS: 1. La animación de los elementos de la diapositiva en Power Point. 2. Introducción de sonido en las diapositivas. 3. Presentación con las diapositivas.
Más detallesDesde Cotización hasta Factura
Desde Cotización hasta Factura 1.1. Introducción Al Proceso De Ventas El proceso de Ventas involucra una serie de subprocesos que se llevan a cabo para ir desde la cotización de los productos hasta el
Más detallesCOMPLEMENTO INFORME DE RESPUESTA A OBSERVACIONES PRESENTADAS POR LOS PROPONENTES AL INFORME DE EVALUACIÓN PRELIMINAR
COMPLEMENTO INFORME DE RESPUESTA A OBSERVACIONES PRESENTADAS POR LOS PROPONENTES AL INFORME DE EVALUACIÓN PRELIMINAR INVITACIÓN PÚBLICA NÚMERO 015 PARA SELECCIONAR EL CONTRATISTA QUE REALICE EL SUMINISTRO,
Más detallesProcedimiento de instalación
Procedimiento de instalación 1.- Introducción La aplicación de Aulas virtuales interactivas consta de un cliente y un servidor en el que se almacena la información sobre profesores, alumnos y clases. Un
Más detallesLa herramienta ArtEM: Aritmética Entera y Modular
La herramienta ArtEM: Aritmética Entera y Modular 1. Introducción La herramienta ArtEM (Aritmética Entera y Modular) es una aplicación informática programada en Visual Basic y desarrollada con el fin de
Más detallesCLIMATOLOGÍA AERONÁUTICA (2000-2010) AEROPUERTO INTERNACIONAL TOBÍAS BOLAÑOS PALMA (COSTA RICA)
CLIMATOLOGÍA AERONÁUTICA (2000-2010) AEROPUERTO INTERNACIONAL TOBÍAS BOLAÑOS PALMA (COSTA RICA) W. Stolz España J. Rojas Ureña Gabriela Chinchilla R. 2012 CARACTERÍSTICAS DEL AEROPUERTO El Aeropuerto Internacional
Más detallesCalidad del software. Métricas y fiabilidad de aplicaciones (2ª parte) (DV00104A)
aprenderaprogramar.com Calidad del software. Métricas y fiabilidad de aplicaciones (2ª parte) (DV14A) Sección: Divulgación Categoría: Tendencias en programación Fecha revisión: 229 Autor: César Krall Resumen:
Más detallesUNIDAD 3 FUNCIONES, FÓRMULAS Y MANIPULACIONES
UNIDAD 3 FUNCIONES, FÓRMULAS Y MANIPULACIONES CURSO: LibreOffice calc 1 Introducción y Objetivos Ya sabemos introducir datos y darles formato para que nuestros datos se representen correctamente, pero
Más detallesSistemas de Ecuaciones Lineales
Sistemas de Ecuaciones Lineales 1 Sistemas de ecuaciones y matrices Definición 1 Una ecuación lineal en las variables x 1, x 2,..., x n es una ecuación de la forma con a 1, a 2... y b números reales. a
Más detallesLa ecuación de segundo grado para resolver problemas.
La ecuación de segundo grado para resolver problemas. Como bien sabemos, una técnica potente para modelizar y resolver algebraicamente los problemas verbales es el uso de letras para expresar cantidades
Más detalles4.2 COMBINAR CORRESPONDENCIA UTILIZANDO OTROS ORÍ-
4.2 COMBINAR CORRESPONDENCIA UTILIZANDO OTROS ORÍ- GENES DE DATOS Los nombres, las direcciones y otros tipos de información que podemos incluir en los documento de la combinación de correspondencia pueden
Más detallesManual de Mensajes Recibidos Swift
Manual de Mensajes Recibidos Swift Índice Manual de Mensajes Recibidos Swift. Introducción... 2. Descripción del Servicio.... Características... 4. Acceso... 5. Consulta de Saldos... 6. Consulta de Movimientos
Más detallesLenguajes de Cuarta Generación (4GL)
Lenguajes de Cuarta Generación (4GL) Herramientas de Diseño Prof. Víctor Valenzuela R. Contenido Introducción Breve Reseña Histórica Lenguaje de Cuarta Generación Áreas Funcionales Tipos de 4GL Componentes
Más detallesPATRONES DE SOMBRA EJEMPLO DE CÁLCULO. José Carlos Martínez Tascón. V1.0 Mayo 2.013
PATRONES DE SOMBRA EJEMPLO DE CÁLCULO José Carlos Martínez Tascón V1.0 Mayo 2.013 INDICE 1.DISPOSICIÓN DE EDIFICACIONES...1 2.DATOS NECESARIOS...2 3.REPRESENTACIÓN DE DATOS...3 3.1.Cálculo de acimut...
Más detallesMétodos basados en instancias. K-vecinos, variantes
Métodos basados en instancias K-vecinos, variantes Contenido 1. Caracterización 2. K-vecinos más próximos 3. Mejoras al algoritmo básico 4. Bibliografía 2 1. Caracterización Forma más sencilla de aprendizaje:
Más detallesUna hoja de cálculo es un tipo de documento en el que
1. PARA QUÉ SIRVE EXCEL Una hoja de cálculo es un tipo de documento en el que introducimos datos y los relacionamos entre ellos para poder analizarlos. Los datos que podemos introducir en una hoja de cálculo
Más detallesAnálisis de Datos en WEKA Pruebas de Selectividad
Análisis de Datos en WEKA Pruebas de Selectividad María García Jiménez Ingeniería de Telecomunicación Universidad Carlos III 100025080@alumnos.uc3m.es Aránzazu Álvarez Sierra Ingeniería de Telecomunicación
Más detallesCuál es la frecuencia de acceso de una memoria de acceso aleatorio con un tiempo de acceso de 80 nseg. y un tiempo de ciclo de 100 nseg.?.
Cuál es la frecuencia de acceso de una memoria de acceso aleatorio con un tiempo de acceso de nseg. y un tiempo de ciclo de nseg.?. f A Hz t 9 C seg Petición de lectura t A Información disponible t C Información
Más detallesFramework Atlas. Introducción. Unidad de Arquitectura y Soporte de Aplicaciones Área de Aplicaciones Especiales y Arquitectura de Software DIAS
Framework Atlas Introducción Septiembre de 2013 Unidad de Arquitectura y Soporte de Aplicaciones Área de Aplicaciones Especiales y Arquitectura de Software DIAS INDICE INTRODUCCIÓN QUÉ ES ATLAS PORTAL
Más detallesUNIDAD UNO PROGRAMACIÓN LÍNEAL Parte 3
UNIDAD UNO PROGRAMACIÓN LÍNEAL Parte 3 Matriz unitaria "I" de base con variables artificiales. Cuando el problema de programación lineal se expresa en la forma canónica de maximizar, las variables de holgura
Más detallesÍNDICE CAPITULO UNO CAPITULO DOS. Pág.
ÍNDICE CAPITULO UNO Pág. Concepto de Estadística 1 Objetivo 1 Diferencia entre estadísticas y estadística 1 Uso de la estadística 1 Divisiones de la estadística 1 1. Estadística Descriptiva 1 2. Estadística
Más detallesInstituto Tecnológico de Altamira
El diagrama de Gantt, para quienes no estén familiarizados con el tema, es una herramienta gráfica que permite visualizar el tiempo total de una secuencia de actividades, por ejemplo, para un proyecto.
Más detallesDIAGRAMA MATRICIAL EN "L"
DIAGRAMA MATRICIAL El diagrama matricial (DM) es una herramienta cuyo objetivo es establecer puntos de conexión lógica entre grupos de características, funciones o actividades, reapretándolos gráficamente.
Más detallesANALIZADOR LÓGICO VIRTUAL PARA ORDENADOR PERSONAL
ANALIZADOR LÓGICO VIRTUAL PARA ORDENADOR PERSONAL F. QUILES 1, M. ORTIZ 1, C. MORENO 1, E. SÁEZ 1, J. MILLÁN 1, M. ROLDÁN 1 1 Área de Arquitectura y Tecnología de Computadores. Departamento de Arquitectura
Más detallesClase adicional 2. Estructuras básicas de control. Temas
Clase adicional 2 Temas Estructuras de control Sentencia condicional Iteración Clases Definir una clase Crear una instancia de una clase Campos estáticos Problemas de la clase adicional Problema de diseño
Más detallesMoodle, plataforma de aprendizaje
Moodle, plataforma de aprendizaje Módulo 4: Añadir usuario como Administrador 2012 En este módulo vamos a ver como podemos crear nuevos usuarios en Moodle cuando tenemos un rol con privilegios de Administrador
Más detallesIntroducción Programación Modular y a Métodos: Consideremos el siguiente ejercicio:
Introducción Programación Modular y a Métodos: Consideremos el siguiente ejercicio: Ejercicio: Escriba una aplicación que requiera un número real como entrada y que muestre el producto del número y tres.
Más detallesFunciones de Reloj con el U90Ladder
Funciones de Reloj con el U90Ladder Tutorial Contenido: Familia: Autor: Revisión: En este tutorial veremos los diferentes funciones de reloj que dispone el U90Ladder Unitronics Departamento Postventa /
Más detallesContenido QUÉ ES UN SCORM?... 3 CONFIGURACIÓN DE LA ACTIVIDAD SCORM... 3 GESTIÓN DEL SCORM... 7. Página 2 de 9
Actividad: SCORM Contenido QUÉ ES UN SCORM?... 3 CONFIGURACIÓN DE LA ACTIVIDAD SCORM... 3 GESTIÓN DEL SCORM... 7 Página 2 de 9 QUÉ ES UN SCORM? Un paquete SCORM es un bloque de material web empaquetado
Más detalles