TRABAJO FIN DE ASIGNATURA
|
|
- Raúl Castilla Marín
- hace 6 años
- Vistas:
Transcripción
1 INTELIGENCIA EN REDES DE COMUNICACIONES TRABAJO FIN DE ASIGNATURA Luis Javier Duque Cuadrado
2 1 Breve descripción de los algoritmos elegidos 1.1 Clasificación a) Árboles de decisión de un nivel (decision stump) Como bien dice su nombre se trata de árboles de decisión de un solo nivel. Funcionan de forma aceptable en problemas de dos clases. No obstante, para problemas de más de dos clases es muy difícil encontrar tasas de error inferiores a 0.5. b) Clasificador 1R También se trata de árboles de decisión de un nivel. Se caracterizan porque, por diseño, sólo generan one-rules, las cuales son reglas que sólo evalúan un único atributo. Se elige el atributo que minimice la tasa de error. c) ID3 El ID3 es un algoritmo de aprendizaje que se emplea para elaborar árboles de decisión. Es un algoritmo simple y a la vez potente. Su aplicación más común son los problemas de clasificación. Sus principales características son las siguientes: o o Cada nodo intermedio corresponde a un atributo y cada rama al valor posible de ese atributo. Una hoja del árbol o nodo final especifica el valor esperado de la decisión de acuerdo con los ejemplos dados. La explicación de una determinada decisión viene dada por la trayectoria desde la raíz a la hoja representativa de esa decisión. A cada nodo es asociado aquel atributo más informativo que aún no haya sido considerado en la trayectoria desde la raíz. Para medir cuánto de informativo es un atributo se emplea el concepto de entropía. Cuanto menor sea el valor de la entropía, menor será la incertidumbre y más útil será el atributo para la clasificación. d) C4.5 Este algoritmo surge por la ineficiencia del algoritmo ID3 al tratar con valores numéricos. Lo propuso Quinlan en 1993, como extensión de ID3. Permite: o o o Construir árboles de decisión cuando algunos de los ejemplos presentan valores desconocidos para algunos de los atributos. Trabajar con atributos que presenten valores continuos. La poda de los árboles de decisión. Se emplea para facilitar la comprensión de los mismos, ya que como estos se generan a partir de ejemplos que pueden ser muy distintos entre sí, el árbol resultante puede llegar a ser bastante complejo, con trayectorias muy largas y desiguales. Consiste en la sustitución de una parte del árbol (sub-árbol) por una hoja. La poda tendrá lugar si el valor esperado de error en el sub-árbol es mayor que con la hoja que lo sustituya.
3 e) Tablas de decisión 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. Un ejemplo de tabla de decisión podría ser el siguiente: Condiciones Reglas de decisión C1 El paciente tiene seguro médico básico SI NO SI NO C2 El paciente tiene seguro social NO SI SI NO A1 Pagar la consulta X A2 Exento de pago - X X - A3 Pagar todos los servicios X 1.2 Regresión La regresión es un análisis que permite predecir el valor de una variable dependiente en función de otras variables. Cuando la función resultante es lineal hablamos de regresión lineal, y si esta es polinomial, nos referimos a una regresión no lineal. Por otro lado, si la variable dependiente se predice a partir de una única variable, nos situaremos en el caso de la regresión simple, en cambio si se emplea más de una variable para determinar el resultado de una variable dependiente, hablaremos de una regresión parcial o múltiple. 1.3 Agrupamiento (clustering) El agrupamiento es un tipo de algoritmo de aprendizaje inductivo en el que los datos sobre los que se trabaja no están (normalmente) etiquetados (inducción no supervisada). Consiste en agrupar los datos según algún criterio, normalmente para minimizar algún objetivo, de acuerdo con una medida de similitud. Se puede emplear como un paso exploratorio para una posterior clasificación, para una reducción de datos, para simplificar un proceso auxiliar (imputaciones de valores perdidos), Se distinguen dos clases: secuenciales y paralelos. De entre estos últimos destaca el algoritmo k-medias, que es el que se va a emplear en la práctica. Su esquema, a grandes rasgos, es el siguiente:
4 1. Inicializar los centroides o representantes. 2. Pasar muestra a muestra la totalidad de ellas, asignando cada una a uno de los centroides según la similitud establecida. 3. Actualizar los centroides según las asignaciones anteriores. 4. Comprobar criterio de parada. Si no se cumple pasar a 2. 2 Resultados y conclusiones En este apartado se muestran los resultados obtenidos para cada uno de los dos conjuntos de datos tenidos en cuenta: los datos nominales y los numéricos. Además, a la vez que se presentan los resultados se añaden las conclusiones. Cabe destacar que para la obtención de estos resultados se ha empleado: Weka v3.4 para Windows. Aunque el número de datos sea pequeño como se verá a continuación, la evaluación de los datos se ha realizado empleando únicamente (ya que si no se alargaba excesivamente el trabajo sin mucho sentido) la validación cruzada con 10%, que consiste en dividir el conjunto de datos disponible en 10 grupos, y realizar 10 validaciones empleando en cada una un solo grupo para validar los datos y el resto para entrenar. El resultado final se obtiene calculando la media de todas las validaciones realizadas. Esta técnica se usa para intentar eliminar los errores de selección incorrecta de datos de entrenamiento. En los algoritmos en los que se debe emplear algún parámetro, se fueron variando hasta encontrar el mejor resultado posible. 2.1 Datos nominales Para el análisis de datos nominales se ha seleccionado el conjunto de datos almacenado en: weather-nominal.arff. Este conjunto de datos contiene 14 instancias y 5 atributos para cada una. El número de datos es algo escaso, lo cual provocará que la fiabilidad de los resultados sea baja, aunque a la hora de trabajar con ellos no influirá excesivamente. El hecho de tener un número reducido de atributos facilitará la extracción de conclusiones a partir de los resultados. Mediante este conjunto de datos se intenta modelar si según las condiciones climáticas se puede o no jugar al golf (según he podido observar en la penúltima referencia incluida en la bibliografía, aunque en otra fuente he leído que es para jugar al tenis). Este el motivo por el cual los atributos son: el ambiente, la temperatura, la humedad, el viento y si se juega o no.
5 2.1.1 Clasificación Los resultados obtenidos al clasificar estos datos con diferentes modelos son los siguientes (tomando como clase de salida si se puede jugar o no): a) Árboles de decisión de un nivel ( decision stump ) Correctly Classified Instances % Incorrectly Classified Instances % Kappa statistic Mean absolute error Root mean squared error Relative absolute error % Root relative squared error % Total Number of Instances 14 === Confusion Matrix === a b <-- classified as 5 4 a = yes 5 0 b = no b) Clasificador 1R El único atributo que emplea en la evaluación es el ambiente. Correctly Classified Instances % Incorrectly Classified Instances % Kappa statistic Mean absolute error Root mean squared error Relative absolute error % Root relative squared error % Total Number of Instances 14 === Confusion Matrix === a b <-- classified as 4 5 a = yes 3 2 b = no c) Tabla de decisión En la resolución Weka empleó las 6 siguientes reglas de decisión:
6 Rules: ================================== outlook windy play ================================== sunny FALSE no rainy FALSE yes overcast FALSE yes rainy TRUE no sunny TRUE yes overcast TRUE yes ================================== Correctly Classified Instances % Incorrectly Classified Instances % Kappa statistic Mean absolute error Root mean squared error Relative absolute error % Root relative squared error % Total Number of Instances 14 === Confusion Matrix === a b <-- classified as 7 2 a = yes 3 2 b = no d) ID3 Weka empleando el algoritmo ID3 elaboró el árbol siguiente: outlook = sunny humidity = high: no humidity = normal: yes outlook = overcast: yes outlook = rainy windy = TRUE: no windy = FALSE: yes Ambiente Soleado Lluvioso Nublado Humedad SÍ Viento Alta Normal Sí No NO SÍ NO SÍ
7 Correctly Classified Instances % Incorrectly Classified Instances % Kappa statistic Mean absolute error Root mean squared error Relative absolute error % Root relative squared error % Total Number of Instances 14 === Confusion Matrix === a b <-- classified as 8 1 a = yes 1 4 b = no e) C4.5 Weka empleando el algoritmo C4.5 elaboró el árbol siguiente: J48 pruned tree outlook = sunny humidity = high: no (3.0) humidity = normal: yes (2.0) outlook = overcast: yes (4.0) outlook = rainy windy = TRUE: no (2.0) windy = FALSE: yes (3.0) Number of Leaves : 5 Size of the tree : 8 Correctly Classified Instances % Incorrectly Classified Instances % Kappa statistic Mean absolute error Root mean squared error Relative absolute error % Root relative squared error % Total Number of Instances 14
8 RESUMEN DE LOS RESULTADOS OBTENIDOS CON CADA MODELO Modelo Precisión (%) Árboles de decisión de un nivel Clasificador 1R Tabla de decisión ID C Lo primero que hay que destacar de estos resultados es que no pueden ser muy fiables, ya que el conjunto de datos que se ha empleado tanto para su entrenamiento como para su posterior evaluación es muy pequeño. Podemos apreciar en los datos que los dos primeros algoritmos tienen una precisión inferior al 50 %, prestaciones algo inferiores que las del resto, lo cual es lógico si se tiene en cuenta que son árboles de un solo nivel. Sin embargo, los demás algoritmos tienen unas prestaciones aceptables, destacando el algoritmo ID3. No obstante, no es lógico que dé unos resultados mejores que el C4.5, ya que este último no es más que una extensión del primero para poder trabajar con datos numéricos, incompletos o ruidosos. Además, C4.5 emplea para determinar las secuencias de tests una serie de heurísticos que funcionan normalmente mejor que ID3. Esta diferencia puede ser debida a la forma de evaluar los resultados (validación cruzada con 10%). 2.2 Datos numéricos Para el análisis de datos numéricos se ha seleccionado el conjunto de datos almacenado en: baskball.arff. Este conjunto de datos contiene 96 instancias y 5 atributos para cada una. Los cinco atributos que contiene este conjunto de datos son numéricos, por lo que no están etiquetados. Por lo tanto, en este apartado se va a estudiar la regresión lineal y el agrupamiento, ya que la clasificación ya se analizó en el apartado anterior. De esta forma, se abarcan más campos distintos de la minería de datos Regresión lineal En el análisis de este conjunto de datos se va a emplear una regresión lineal múltiple, sin emplear ningún método de selección de atributos. De esta forma, mediante el valor de los coeficientes que Weka asigne a cada variable, podremos observar la dependencia de cada una de las variables con las demás. Por lo tanto, vamos a emplear como variable dependiente los cinco atributos de que disponemos, uno a uno:
9 a) Asistencias por minuto Linear Regression Model assists_per_minute = * height * time_played * age * points_per_minute === Summary === Correlation coefficient Mean absolute error Root mean squared error Relative absolute error % Root relative squared error % Total Number of Instances 96 A partir de la función de regresión se puede interpretar que las asistencias que un jugador da por minuto no dependen de la edad (o pasas bien cuando eres joven o ). El atributo que más relacionado está con este es los puntos por minuto, de forma negativa, al igual que la altura. Una posible lectura de este hecho podría ser que en este conjunto de datos los jugadores que dan muchas asistencias no meten muchos puntos y viceversa. De la relación negativa con la altura se puede destacar que los jugadores bajos son los que más asistencias dan (bases). b) Altura Linear Regression Model height = * assists_per_minute * time_played * age * points_per_minute === Summary === Correlation coefficient Mean absolute error Root mean squared error Relative absolute error % Root relative squared error % Total Number of Instances 96 A partir de la función de regresión se obtiene que la altura no tiene ninguna relación con el tiempo jugado ni con la edad (para edades superiores a 22 años). Además, se puede apreciar que la altura está fuertemente correlada negativamente con el número de asistencias por minuto, lo cual se podría interpretar como que los jugadores bajos son los que más asistencias dan (los bases). Además, en este conjunto de jugadores el número de puntos por minuto está ligado con la altura, lo que implica que el juego interior del equipo funciona.
10 c) Tiempo jugado Linear Regression Model time_played = * assists_per_minute * height * age * points_per_minute === Summary === Correlation coefficient Mean absolute error Root mean squared error Relative absolute error % Root relative squared error % Total Number of Instances 96 A partir de la función de regresión, se puede apreciar que el tiempo jugado por un jugador depende principalmente de las asistencias por minuto y los puntos por minuto que anote, lo cual indica que si un jugador quiere jugar debe ser efectivo para su equipo. Por lo demás, se puede afirmar que cuanto más veterano y más alto es el jugador más juega. d) Edad Linear Regression Model age = * assists_per_minute * height * time_played * points_per_minute === Summary === Correlation coefficient Mean absolute error Root mean squared error Relative absolute error % Root relative squared error % Total Number of Instances 96 Según se puede apreciar en la función de regresión, la edad de un jugador no está especialmente relacionada con ninguno de los atributos, aunque sí parece que a medida que la edad avanza, los puntos por minuto se reducen, lo cual es una prueba de que los años no pasan en balde.
11 e) Puntos por minuto Linear Regression Model points_per_minute = * assists_per_minute * height * time_played * age === Summary === Correlation coefficient Mean absolute error Root mean squared error Relative absolute error % Root relative squared error % Total Number of Instances 96 De esta función de regresión se puede destacar que tal y como se comentó anteriormente, los puntos por minuto y las asistencias por minuto están relacionadas negativamente. RESUMEN DE LA PRECISIÓN DE LOS RESULTADOS OBTENIDOS Variable dependiente Error absoluto relativo (%) Asistencia por minuto Altura Tiempo jugado 74.8 Edad Puntos por minuto De esta tabla se puede extraer que el atributo que mejor se puede predecir a partir de los demás es el tiempo jugado. Sin embargo, el que peor se predice es la edad. Cabe destacar que el error de predicción es bastante alto en todos los casos Agrupamiento En este apartado se va a intentar obtener determinados grupos en los datos, aplicando para ello algún algoritmo de agrupamiento. Una posible aplicación podría ser el etiquetado de los datos. Como algoritmo de agrupamiento se va a utilizar el k-medias, ya que es el algoritmo más sencillo y conocido de los que ofrece Weka. Los distintos agrupamientos que se hicieron fueron los siguientes:
12 a) Sobre todos los atributos (4 clusters) Se obtuvieron los siguientes resultados: Cluster centroids: Cluster 0 Mean/Mode: Std Devs: Cluster 1 Mean/Mode: Std Devs: Cluster 2 Mean/Mode: Std Devs: Cluster 3 Mean/Mode: Std Devs: Clustered Instances 0 24 ( 25%) 1 18 ( 19%) 2 22 ( 23%) 3 32 ( 33%) De este agrupamiento se han obtenidos cuatro grupos. Dos de ellos tienen una media de minutos jugados superior a 30 (jugadores habituales). Observando dichos grupos, se puede destacar que sólo juegas si metes puntos o das bastantes asistencias. Además, también se puede observar que los que disponen de más minutos son los jugadores que tienen una edad intermedia, ni los jóvenes ni los veteranos. b) Edad y puntos anotados por minuto (3 clusters) Se obtuvieron los siguientes resultados: Cluster centroids: Cluster 0 Mean/Mode: Std Devs: Cluster 1 Mean/Mode: Std Devs: Cluster 2 Mean/Mode: Std Devs: Clustered Instances 0 31 ( 32%) 1 15 ( 16%) 2 50 ( 52%)
13 De este agrupamiento se puede interpretar que ni los jóvenes ni los veteranos son en media los que más anotan, que la edad ideal para jugar al baloncesto son los 29 años. Estos grupos se pueden observar en la siguiente figura, en la que se ha situado en el eje x los puntos por minuto, y en el eje y la edad: (azul clúster 0; rojo clúster 1; verde clúster 2) c) Puntos y asistencias por minuto y altura (3 clusters) Se obtuvieron los siguientes resultados: Cluster centroids: Cluster 0 Mean/Mode: Std Devs: Cluster 1 Mean/Mode: Std Devs: Cluster 2 Mean/Mode: Std Devs: Clustered Instances 0 35 ( 36%) 1 30 ( 31%) 2 31 ( 32%)
14 Mediante este agrupamiento, podríamos ser capaces de clasificar a los jugadores en las distintas demarcaciones, por lo tanto nos podría haber servido para etiquetarlos con sus demarcaciones. Los jugadores pertenecientes al cluster 0 se caracterizan por dar pocas asistencias, anotar muchos puntos y ser altos, por lo que estos podrían ser los pívots. Los pertenecientes al cluster 1 se caracterizan por dar muchas asistencias y ser bajos, por lo que estos podrían ser los bases. Si se dibuja en una gráfica los puntos por minuto anotados en el eje x, y las asistencias por minuto en el eje y, se obtiene la siguiente gráfica: (azul clúster 0; rojo clúster 1; verde clúster 2)
15 3 Bibliografía Apuntes de la asignatura Inteligencia en redes de comunicaciones. Apuntes de la asignatura Tratamiento digital de señales. SISTEMAS DE INDUCCIÓN DE ÁRBOLES DE DECISIÓN: UTILIDAD EN EL ANÁLISIS DE CRISIS BANCARIAS. Enrique Bonsón Ponte, Tomás Escobar Rodríguez, Mª del Pilar Martín Zamora (Grupo de Inteligencia Artificial en Contabilidad y Administración de Empresas Universidad de Huelva) /99MH-Thesis.ps lectures/dm_ws03/folien/ml_part_iv.pdf datam/demo1/methods_demo1.htm
MASTER DE INGENIERÍA BIOMÉDICA. Métodos de ayuda al diagnóstico clínico. Tema 6: Árboles de decisión.
MASTER DE INGENIERÍA BIOMÉDICA. Métodos de ayuda al diagnóstico clínico. Tema 6: Árboles de decisión. 1 Objetivos del tema Conocer en qué consiste un árbol de decisión. Aprender los problemas que pueden
Más detallesAprendizaje Automatizado. Árboles de Clasificación
Aprendizaje Automatizado Árboles de Clasificación Árboles de Clasificación Estudiaremos un algoritmo para la creación del árbol. Selección de atributos comenzando en el nodo raíz. Proceso recursivo. Árboles
Más detallesTema 8: Árboles de decisión
Introducción a la Ingeniería del Conocimiento Curso 2004 2005 Tema 8: Árboles de decisión Miguel A. Gutiérrez Naranjo Dpto. de Ciencias de la Computación e Inteligencia Artificial Universidad de Sevilla
Más detallesANÁLISIS DE DATOS. Jesús García Herrero
ANÁLISIS DE DATOS Jesús García Herrero ANALISIS DE DATOS EJERCICIOS Una empresa de seguros de automóviles quiere utilizar los datos sobre sus clientes para obtener reglas útiles que permita clasificar
Más detallesTema 7: Aprendizaje de árboles de decisión
Inteligencia Artificial 2 Curso 2002 03 Tema 7: Aprendizaje de árboles de decisión José A. Alonso Jiménez Miguel A. Gutiérrez Naranjo Francisco J. Martín Mateos José L. Ruiz Reina Dpto. de Ciencias de
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 detallesMINERIA DE DATOS: ANÁLISIS DE DATOS ELECTORALES
MINERIA DE DATOS: ANÁLISIS DE DATOS ELECTORALES Rubén Gómez-Chacón Camuñas rgomezch@ing.uc3m.es Javier Jimenez Dorado jjdorado@ing.uc3m.es RESUMEN En este artículo vamos a tratar un problema de minería
Más detallesPráctica 1: Entorno WEKA de aprendizaje automático y data mining.
PROGRAMA DE DOCTORADO TECNOLOGÍAS INDUSTRIALES APLICACIONES DE LA INTELIGENCIA ARTIFICIAL EN ROBÓTICA Práctica 1: Entorno WEKA de aprendizaje automático y data mining. Objetivos: Utilización de funciones
Más detallesARBOLES DE DECISION. Miguel Cárdenas-Montes. 1 Introducción. Objetivos: Entender como funcionan los algoritmos basados en árboles de decisión.
ARBOLES DE DECISION Miguel Cárdenas-Montes Los árboles de decisión son estructuras lógicas con amplia utilización en la toma de decisión, la predicción y la minería de datos. Objetivos: Entender como funcionan
Más detallesAprendizaje Automatizado
Aprendizaje Automatizado Aprendizaje Automatizado Programas que mejoran su comportamiento con la experiencia. Dos formas de adquirir experiencia: A partir de ejemplos suministrados por un usuario (un conjunto
Más detallesTécnicas de Minería de Datos
Técnicas de Minería de Datos Act. Humberto Ramos S. 1 Qué es Minería de datos? El desarrollo de dispositivos tecnológicos para acumular datos a bajo costo. Acumulación o registro de gran cantidad de datos.
Más detallesPráctica 5: Clasificación con número variable de ejemplos.
5º INGENIERÍA DE TELECOMUNICACIÓN INTELIGENCIA ARTIFICIAL Y RECONOCIMIENTO DE PATRONES Práctica 5: Clasificación con número variable de ejemplos. Objetivos: Utilización de conjuntos de entrenamiento y
Más detallesCRITERIOS DE SELECCIÓN DE MODELOS
Inteligencia artificial y reconocimiento de patrones CRITERIOS DE SELECCIÓN DE MODELOS 1 Criterios para elegir un modelo Dos decisiones fundamentales: El tipo de modelo (árboles de decisión, redes neuronales,
Más detallesTareas de la minería de datos: clasificación. PF-5028 Minería de datos Prof. Braulio José Solano Rojas UCR
Tareas de la minería de datos: clasificación PF-5028 Minería de datos Prof. Braulio José Solano Rojas UCR Tareas de la minería de datos: clasificación Clasificación (discriminación) Empareja o asocia datos
Más detallesTareas de la minería de datos: clasificación. CI-2352 Intr. a la minería de datos Prof. Braulio José Solano Rojas ECCI, UCR
Tareas de la minería de datos: clasificación CI-2352 Intr. a la minería de datos Prof. Braulio José Solano Rojas ECCI, UCR Tareas de la minería de datos: clasificación Clasificación (discriminación) Empareja
Más detallesAprendizaje inductivo
Inteligencia Artificial Aprendizaje inductivo Ing. Sup. en Informática, 4º Curso académico: 2011/2012 Profesores: Ramón Hermoso y Matteo Vasirani Aprendizaje Resumen: 3. Aprendizaje automático 3.1 Introducción
Más detallesALGORITMO ID3. Objetivo
ALGORITMO ID3 Desarrollado por J. Ross Quinlan en 1983. ID3 significa Induction Decision Trees. Pertenece a la familia TDIDT (Top- Down Induction of Decision Trees). Objetivo Construir un árbol de decisión
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 detallesProyecto 6. Árboles de decisión: Un árbol de decisión es un modelo de predicción utilizado en el ámbito de la inteligencia artificial.
Árboles de decisión: Un árbol de decisión es un modelo de predicción utilizado en el ámbito de la inteligencia artificial. Funcionamiento: Se realiza un test en cada nodo interno del árbol, a medida que
Más detalles3. Árboles de decisión
3.1 Introducción Método para aproximación de funciones objetivo que tengan valores discretos (clasificación) Uno de los métodos mas extensamente usados para inferencia inductiva Capaz de aprender hipótesis
Más detallesCapítulo 8. Análisis Discriminante
Capítulo 8 Análisis Discriminante Técnica de clasificación donde el objetivo es obtener una función capaz de clasificar a un nuevo individuo a partir del conocimiento de los valores de ciertas variables
Más detallesGuía de Ejercicios Aprendizaje de Máquinas Inteligencia Articial (CC52A)
Guía de Ejercicios Aprendizaje de Máquinas Inteligencia Articial (CC52A) 6 de noviembre de 2007 1. Arboles de Decision 1. Investigue las ventajas y desventajas de los árboles de decisión versus los siguientes
Más detallesAprendizaje Automático. Objetivos. Funciona? Notas
Introducción Las técnicas que hemos visto hasta ahora nos permiten crear sistemas que resuelven tareas que necesitan inteligencia La limitación de estos sistemas reside en que sólo resuelven los problemas
Más detallesMétodos de Inteligencia Artificial
Métodos de Inteligencia Artificial L. Enrique Sucar (INAOE) esucar@inaoep.mx ccc.inaoep.mx/esucar Tecnologías de Información UPAEP Agentes que Aprenden Introducción Tipos de aprendizaje Aprendizaje cómo
Más detallesMétodos de Inteligencia Artificial
Métodos de Inteligencia Artificial L. Enrique Sucar (INAOE) esucar@inaoep.mx ccc.inaoep.mx/esucar Tecnologías de Información UPAEP Agentes que Aprenden: Clasificador Bayesiano Clasificación Clasificador
Más detallesMinería de datos (Fases de la minería de datos)
Minería de datos (Fases de la minería de datos) M. en C. Sergio Luis Pérez Pérez UAM CUAJIMALPA, MÉXICO, D. F. Trimestre 12-O. Sergio Luis Pérez (UAM CUAJIMALPA) Curso de minería de datos 1 / 23 Fase de
Más detallesArboles de Decisión (II) Carlos Hurtado L. Depto de Ciencias de la Computación, Universidad de Chile
Arboles de Decisión (II) Carlos Hurtado L. Depto de Ciencias de la Computación, Universidad de Chile Arboles de Decisión Algoritmo de Hunt (I) Nodo interior Nodo por expandir Nodo hoja Algoritmo de Hunt
Más detallesNEWTON TREES. Árboles de Estimación Estocástica de Probabilidades:
Tesis de Máster en Ingeniería del Software, Métodos Formales y Sistemas de Información Árboles de Estimación Estocástica de Probabilidades: NEWTON TREES Autor: Fernando Martínez Plumed 1 Directores: Cèsar
Más detallesBinary Decision Diagrams
Rodríguez Blanco 2006-05-18 Introduccion Equivalencia Tablas de verdad eficientes Construcción de Equivalencia Tablas de verdad eficientes Equivalencia de dos fórmulas A 1 y A 2. Construir su tabla de
Más detallesTeoría de las decisiones y de los juegos Asignatura: Profesores: Sjaak Hurkens y Flip Klijn Examen: 6 de febrero de 2008
Teoría de las decisiones y de los juegos Asignatura: 50 Profesores: Sjaak Hurkens y Flip Klijn Examen: 6 de febrero de 008 Observaciones: Versión: Duración: 3 horas Documentos autorizados: ninguno Teléfonos
Más detallesTema 8. Análisis de dos variables Ejercicios resueltos 1
Tema 8. Análisis de dos variables Ejercicios resueltos 1 Ejercicio resuelto 8.1 La siguiente tabla muestra la distribución del gasto mensual en libros y el gasto mensual en audiovisual en euros en los
Más detallesRECONOCIMIENTO DE PAUTAS
RECONOCIMIENTO DE PAUTAS ANÁLISIS DISCRIMINANTE (Discriminant analysis) Reconocimiento de pautas supervisado si se cuenta con objetos cuya pertenencia a un grupo es conocida métodos: análisis de discriminantes
Más detallesInducción de Árboles de Decisión ID3, C4.5
Inducción de Árboles de Decisión ID3, C4.5 Contenido 1. Representación mediante árboles de decisión. 2. Algoritmo básico: divide y vencerás. 3. Heurística para la selección de atributos. 4. Espacio de
Más detallesTópicos Selectos en Aprendizaje Maquinal. Algoritmos para Reconocimiento de Patrones
Tópicos Selectos en Aprendizaje Maquinal Guía de Trabajos Prácticos N 1 (2da. parte) Algoritmos para Reconocimiento de Patrones 20 de Octubre de 2010 1. Objetivos Introducir conceptos básicos de aprendizaje
Más detallesEstadística II Tema 4. Regresión lineal simple. Curso 2009/10
Estadística II Tema 4. Regresión lineal simple Curso 009/10 Tema 4. Regresión lineal simple Contenidos El objeto del análisis de regresión La especificación de un modelo de regresión lineal simple Estimadores
Más detallesFUNDAMENTOS MATEMÁTICOS (Grado en Ingeniería Informática) Práctica 8. MATRICES
FUNDAMENTOS MATEMÁTICOS (Grado en Ingeniería Informática) Práctica 8. MATRICES 1.- Introducción de vectores y matrices. Con Derive los vectores se pueden introducir de dos formas distintas: a) Mediante
Más detallesESTUDIO DE CORRELACIONES DE RESULTADOS FUTBOLÍSTICOS DE REAL MADRID C.de F.
ESTUDIO DE CORRELACIONES DE RESULTADOS FUTBOLÍSTICOS DE REAL MADRID C.de F. FRANCISCO SANTOS IGLESIAS Universidad Carlos III de Madrid 100025248@alumnos.uc3m.es DANIEL ÁNGEL RODRÍGUEZ PLAZA Universidad
Más detallesTécnicas de Clasificación Supervisada DRA. LETICIA FLORES PULIDO
Técnicas de Clasificación Supervisada DRA. LETICIA FLORES PULIDO 2 Objetivo El objetivo principal de las técnicas de clasificación supervisada es obtener un modelo clasificatorio válido para permitir tratar
Más detallesPara definir en formalmente el juego se deberá establecer:
INTRODUCCION A LA INTELIGENCIA ARTIFICIAL MÓDULO 5- JUEGOS COMO PROBLEMA DE BÚSQUEDA Referencias: Inteligencia Artificial Russell and Norvig Cap.5. Artificial Intellingence Nils Nilsson Ch.3 Se trata el
Más detallesAprendizaje Supervisado Árboles de Decisión
Aprendizaje Supervisado Árboles de Decisión 10 10 Modelo general de los métodos de Clasificación Id Reembolso Estado Civil Ingresos Anuales 1 Sí Soltero 125K No 2 No Casado 100K No 3 No Soltero 70K No
Más detallesCapitulo 1: Introducción al reconocimiento de patrones (Secciones )
Capitulo 1: Introducción al reconocimiento de patrones (Secciones 1.1-1.6) M A C H I N E P E R C E P T I O N U N E J E M P L O S I S T E M A S D E R E C O N O C I M I E N T O D E P A T R O N E S C I C
Más detallesAnálisis descriptivo con SPSS. Favio Murillo García
Análisis descriptivo con SPSS Favio Murillo García Tablas de contingencia Cuando se trabaja con variables categóricas, los datos suelen organizarse en tablas de doble entrada en las que cada entrada representa
Más detallesAprendizaje basado en ejemplos.
Aprendizaje basado en ejemplos. In whitch we describe agents that can improve their behavior through diligent study of their own experiences. Porqué queremos que un agente aprenda? Si es posible un mejor
Más detallesJesús García Herrero METODOLOGÍA DE ANÁLISIS DE DATOS
Jesús García Herrero METODOLOGÍA DE ANÁLISIS DE DATOS En esta clase concluimos el curso de Análisis de Datos con una visión de las metodologías del análisis de datos. Como se ha visto, este es un campo
Más detallesReconocimiento de Patrones
Reconocimiento de Patrones Técnicas de validación (Clasificación Supervisada) Jesús Ariel Carrasco Ochoa Instituto Nacional de Astrofísica, Óptica y Electrónica Clasificación Supervisada Para qué evaluar
Más detallesRedes Bayesianas (1) Carlos Hurtado L. Depto. de Ciencias de la Computación, Universidad de Chile
Redes Bayesianas (1) Carlos Hurtado L. Depto. de Ciencias de la Computación, Universidad de Chile Referencia Bayesian networks without tears: making Bayesian networks more accessible to the probabilistically
Más detallesEvaluación de modelos para la predicción de la Bolsa
Evaluación de modelos para la predicción de la Bolsa Humberto Hernandez Ansorena Departamento de Ingeniería Telemática Universidad Carlos III de Madrid Madrid, España 10003975@alumnos.uc3m.es Rico Hario
Más detallesTercera práctica de REGRESIÓN.
Tercera práctica de REGRESIÓN. DATOS: fichero practica regresión 3.sf3 1. Objetivo: El objetivo de esta práctica es aplicar el modelo de regresión con más de una variable explicativa. Es decir regresión
Más detallesTema 2 Primeros Modelos Computacionales
Universidad Carlos III de Madrid OpenCourseWare Redes de Neuronas Artificiales Inés M. Galván - José Mª Valls Tema 2 Primeros Modelos Computacionales 1 Primeros Modelos Computacionales Perceptron simple
Más detallesTema 7: Sesgo inductivo
Introducción a la Ingeniería del Conocimiento Curso 2004 2005 Tema 7: Sesgo inductivo Miguel A. Gutiérrez Naranjo Dpto. de Ciencias de la Computación e Inteligencia Artificial Universidad de Sevilla IIC
Más detalles1.-DATOS DE LA ASIGNATURA
1.-DATOS DE LA ASIGNATURA Nombre de la asignatura: Minería de Datos Carrera: Ingeniería en Sistemas Computacionales Clave de la asignatura: ADM-0701 Horas teoría-horas práctica-créditos: 3-2-8 2.-HISTORIA
Más detallesUNIDAD 12.- Estadística. Tablas y gráficos (tema12 del libro)
UNIDAD 12.- Estadística. Tablas y gráficos (tema12 del libro) 1. ESTADÍSTICA: CLASES Y CONCEPTOS BÁSICOS En sus orígenes históricos, la Estadística estuvo ligada a cuestiones de Estado (recuentos, censos,
Más detallesRelación entre la altura y la distancia del suelo al ombligo
Relación entre la altura y la distancia del suelo al ombligo JULIA VIDAL PIÑEIRO Los 79 datos usados para realizar el estudio estadístico de la relación altura- distancia al ombligo, se tomaron a personas
Más detallesInteligencia en Redes de Comunicaciones
Inteligencia en Redes de Comunicaciones Autores: -Daniel Pérez Vaquero. -Javier García Lloreda. Fecha: -17 de Diciembre de 2013. 1. Introducción Al Clustering. El clustering no es más que el agrupamiento
Más detallesTécnicas de Planeación y Control
Técnicas de Planeación y Control 1 Sesión No. 5 Nombre: Métodos cuantitativos de pronóstico Contextualización Como vimos en la sesión anterior, el enfoque cualitativo nos sirve para efectuar pronósticos
Más detallesMinería de Datos. Índice. Raquel M. Crespo García. Julio Villena Román. Definición y conceptos Técnicas y modelos
Inteligencia en Redes de Comunicaciones Minería de Datos Raquel M. Crespo García Julio Villena Román {rcrespo, jvillena}@it.uc3m.es Índice Definición y conceptos Técnicas y modelos IRC - JVR, RCG - 1 1
Más detallesÁrboles de decisión en aprendizaje automático y minería de datos
Árboles de decisión en aprendizaje automático y minería de datos Tratamiento Inteligente de la Información y Aplicaciones Juan A. Botía Departamento de Ingeniería de la Información y las Comunicaciones
Más detallesEL PAPEL DE LA ESTADISTICA EN O Y M. Objetivo: Identificar índices estadísticos, y métodos más convenientes, para aplicarlos en el estudio de O y M.
EL PAPEL DE LA ESTADISTICA EN O Y M Objetivo: Identificar índices estadísticos, y métodos más convenientes, para aplicarlos en el estudio de O y M. O y M necesita apoyarse en la estadística que en casos
Más detallesPronósticos, Series de Tiempo y Regresión. Capítulo 4: Regresión Lineal Múltiple
Pronósticos, Series de Tiempo y Regresión Capítulo 4: Regresión Lineal Múltiple Temas Modelo de regresión lineal múltiple Estimaciones de Mínimos Cuadrados Ordinarios (MCO); estimación puntual y predicción
Más detallesBúsqueda en línea y Búsqueda multiagente
Búsqueda en línea y Búsqueda multiagente Ingeniería Informática, 4º Curso académico: 2011/2012 Profesores: Ramón Hermoso y Matteo Vasirani 1 Tema 2: Agentes basados en Búsqueda Resumen: 2. Agentes basados
Más detallesAnálisis de Decisiones
Análisis de Decisiones Facultad de Ciencias Exactas UNCPBA Mg. María Rosa Dos Reis Ambientes de Decisión Toma de decisiones bajo certidumbre: los datos se conocen en forma determinista. P ij = 1 Toma de
Más detallesUNIVERSIDAD MAYOR DE SAN SIMÓN FACULTAD DE CIENCIAS Y TECNOLOGÍA INGENIERÍA DE SISTEMAS BÚSQUEDA PRIMERO EL MEJOR
UNIVERSIDAD MAYOR DE SAN SIMÓN FACULTAD DE CIENCIAS Y TECNOLOGÍA INGENIERÍA DE SISTEMAS BÚSQUEDA PRIMERO EL MEJOR INTEGRANTES: Caricari Cala Aquilardo Villarroel Fernandez Fructuoso DOCENTE: Lic. Garcia
Más detallesTema AA-4: Sesgo inductivo
Razonamiento Automático Curso 2002 2003 Tema AA-4: Sesgo inductivo Miguel A. Gutiérrez Naranjo José A. Alonso Jiménez Dpto. de Ciencias de la Computación e Inteligencia Artificial Universidad de Sevilla
Más detallesCaso 17. Análisis multivariante: reducción de datos por componentes principales.
Caso 17: reducción por componentes principales 115 Caso 17. Análisis multivariante: reducción de datos por componentes principales. (JESÚS LÓPEZ FIDALGO, UCLM) CASO PRÁCTICO Se dispone de 15 variables
Más detallesD conjunto de N patrones etiquetados, cada uno de los cuales está caracterizado por n variables predictoras X 1,..., X n y la variable clase C.
Tema 10. Árboles de Clasificación Pedro Larrañaga, Iñaki Inza, Abdelmalik Moujahid Departamento de Ciencias de la Computación e Inteligencia Artificial Universidad del País Vasco Euskal Herriko Unibertsitatea
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 detallesInteligencia en Redes de Comunicaciones - 06 Aprendizaje
El objetivo de este tema es realizar una introducción a los conceptos, fundamentos y técnicas básicas de aprendizaje computacional. En primer lugar se formalizará el concepto de aprendizaje y se describirán
Más detallesMinería de Datos. Árboles de Decisión. Fac. Ciencias Ing. Informática Otoño de Dept. Matesco, Universidad de Cantabria
Minería de Datos Árboles de Decisión Cristina Tîrnăucă Dept. Matesco, Universidad de Cantabria Fac. Ciencias Ing. Informática Otoño de 2012 Twenty questions Intuición sobre los árboles de decisión Juego
Más detallesRandom Forests. Teoría y ejemplos. Romain Gouron. Conferencia 9, GLAM, Doble titulo Ecole Centrale de Nantes (Francia)
Teoría y ejemplos 1 1 Departamiento de Ingenería Matemática Doble titulo Ecole Centrale de Nantes (Francia) Conferencia 9, GLAM, 2016 Outline 1 Árboles de decisión Construcción 2 3 Rotation forest Gradient
Más detallesCapítulo 8. Árboles. Continuar
Capítulo 8. Árboles Continuar Introducción Uno de los problemas principales para el tratamiento de los grafos es que no guardan una estructura establecida y que no respetan reglas, ya que la relación entre
Más detalles(5 x 3) ( 3 x 5) ( 5 x 1) b1 335, ,3-26, ,59 b2 = 0, , ,8 12,85 = 2,94 b3-26,79 13,8 2, ,31
VENTAS PUBLIC. PRECIOS 1990 0, 0, 10 1991 1 0, 1992 2 0,8 199, 0,8 199 1, Y X U 0, 1 0, 10 U1 Modelo matricial con término constante 1 1 0, U2 (el vector de unos recoge ese término constante) 2 1 0,8 U,
Más detallesAux 6. Introducción a la Minería de Datos
Aux 6. Introducción a la Minería de Datos Gastón L Huillier 1,2, Richard Weber 2 glhuilli@dcc.uchile.cl 1 Departamento de Ciencias de la Computación Universidad de Chile 2 Departamento de Ingeniería Industrial
Más detallesSistemas Inteligentes de Gestión. Guión de Prácticas de Minería de Datos. Práctica 4. Clasificación y regresión
Sistemas Inteligentes de Gestión Guión de Prácticas de Minería de Datos Práctica 4 Clasificación y regresión Juan Carlos Cubero & Fernando Berzal FICHEROS DE DTOS Datos de empleados.sav Mundo 95.sav agaricus-lepiota.csv
Más detallesECUACIONES DE PRIMER GRADO CON UNA INCÓGNITA
UNIDAD OBJETIVO: Resolverá situaciones y problemas en los que se apliquen ecuaciones de primer grado con una incógnita, sistemas de ecuaciones lineales con dos y tres incógnitas, mediante métodos algebraicos
Más detallesPENDIENTES DE MATEMÁTICAS DE 3º ESO (CURSO )
PENDIENTES DE MATEMÁTICAS DE 3º ESO (CURSO 2015-2016) CRITERIOS E INDICADORES Se detallan a continuación los criterios de evaluación junto con sus indicadores de contenidos asociados. Criterio 1: Identificar
Más detallesMatemáticas 2º E.S.P.A. Pág.1 C.E.P.A. Plus Ultra. Logroño
ALGEBRA 1. LETRAS EN VEZ DE NÚMEROS En muchas tareas de las matemáticas es preciso trabajar con números de valor desconocido o indeterminado. En esos casos, los números se representan por letras y se operan
Más detallesMinería de Datos. Árboles de Decisión. Fac. Ciencias Ing. Informática Otoño de Dept. Matesco, Universidad de Cantabria
Minería de Datos Árboles de Decisión Cristina Tîrnăucă Dept. Matesco, Universidad de Cantabria Fac. Ciencias Ing. Informática Otoño de 2012 Twenty questions Intuición sobre los árboles de decisión Juego
Más detallesMulticolinealidad. Universidad de Granada. RSG Incumplimiento de las hipótesis básicas en el modelo lineal uniecuacional múltiple 1 / 17
Román Salmerón Gómez Universidad de Granada RSG Incumplimiento de las hipótesis básicas en el modelo lineal uniecuacional múltiple 1 / 17 exacta: aproximada: exacta: aproximada: RSG Incumplimiento de las
Más detalles1. Diseñe algoritmos que permitan resolver eficientemente el problema de la mochila 0/1 para los siguientes casos:
PROGRAMACIÓN DINÁMICA RELACIÓN DE EJERCICIOS Y PROBLEMAS 1. Diseñe algoritmos que permitan resolver eficientemente el problema de la mochila /1 para los siguientes casos: a. Mochila de capacidad W=15:
Más detallesDiseño y simulación de un algoritmo basado en lógica difusa para el despacho de ascensores en un edificio
Diseño y simulación de un algoritmo basado en lógica difusa para el despacho de ascensores en un edificio PROYECTO FIN DE CARRERA Ingeniería de Telecomunicación Autor: Guillermo Iglesias García Director:
Más detallesInteligencia Artificial. Integrantes Equipo # 1:
INSTITUTO TECNOLÓGICO De Nuevo Laredo Especialidad: Ingeniería en Sistemas Computacionales Catedrático: Ing. Bruno López Takeyas. Asignatura: Inteligencia Artificial. Integrantes Equipo # 1: Javier Alonso
Más detallesINSTITUTO NACIONAL DE ESTADÍSTICAS (INE) 29 de Abril de 2016
ANEXO ESTADÍSTICO 1 : COEFICIENTES DE VARIACIÓN Y ERROR ASOCIADO AL ESTIMADOR ENCUESTA NACIONAL DE EMPLEO (ENE) INSTITUTO NACIONAL DE ESTADÍSTICAS (INE) 9 de Abril de 016 1 Este anexo estadístico es una
Más detallesInteligencia Artificial
Mayo 21 de 2008 El estudiante de la Pontificia Universidad Javeriana, como agente de su propia formación, es corresponsable de la Identidad Institucional, uno de cuyos cimientos es tener como hábito un
Más detallesINTELIGENCIA DE NEGOCIO
INTELIGENCIA DE NEGOCIO 2015-2016 Tema 1. Introducción a la Inteligencia de Negocio Tema 2. Retos en Inteligencia de Negocio Tema 3. Minería de Datos Tema 4. Modelos de Predicción: Clasificación, regresión
Más detallesINTELIGENCIA EN REDES DE COMUNICACIONES
INTELIGENCIA EN REDES DE COMUNICACIONES JUEGOS CON ADVERSARIO ALGORITMO MINIMAX PODA ALFA BETA OTRAS MEJORAS ANA BEATRIZ SOLANA SÁNCHEZ JUEGOS BIPERSONALES Este tipo de juegos los podemos definir como:
Más detallesAnálisis de resultados de los modelos
Anexo 5 PONTIFICIA UNIVERSIDAD JAVERIANA Análisis de resultados de los modelos Alex Arias 2014-I 1. Introducción En el presente documento se muestran los patrones y tendencias obtenidas por los modelos
Más detalles(e) Con la poda alfa-beta se eliminan nodos que nunca serán alcanzados
Universidad Rey Juan Carlos Curso 2014 2015 Hoja de Problemas Tema 5 1. Cuáles de las siguientes afirmaciones acerca del algoritmo Minimax son ciertas (a) El algoritmo Minimax realiza una exploración primero
Más detallesLa econometría : una mirada de pájaro
La econometría : una mirada de pájaro Contenido Objetivo Definición de Econometría Modelos determinista y estocástico Metodología de la econometría Propiedades de un modelo econométrico Supuestos de un
Más detallesUNIDAD DE APRENDIZAJE VI
UNIDAD DE APRENDIZAJE VI Saberes procedimentales 1. Interpreta y utiliza correctamente el lenguaje simbólico para el manejo de expresiones algebraicas. 2. Relaciona la ecuación algebraica de segundo grado
Más detallesTécnicas de aprendizaje sobre series temporales
Técnicas de aprendizaje sobre series temporales Contenido 1. Motivación. 2. Ejemplo del Problema. 3. Aproximaciones al problema de clasificación de series temporales. 4. Aprendizaje de reglas. 5. Boosting
Más detallesExperimentos Introducción
Capítulo 5 Experimentos 5.1. Introducción En este capítulo se describirán los desarrollos y resultados de los experimentos realizados con el sistema de reconocimiento de voz presentado en este proyecto.
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 detallesAtaque de texto claro escogido contra la clave de protocolo del cifrado de Doble Criptograma Simétrico
Ataque de texto claro escogido contra la clave de protocolo del cifrado de Doble Criptograma Simétrico Manuel J. Lucena López 27 de enero de 2013 Resumen Se presenta un ataque de texto claro escogido para
Más detallesCONCLUSIONES 5. CONCLUSIONES.
5. CONCLUSIONES. Entre los sistemas de referencia empleados para el cálculo de las fuerzas elásticas, para un elemento finito de dos nodos que utiliza la teoría de Euler- Bernoulli [11], basándose en las
Más detallesMinería de Datos. Profra. Heidy Marisol Marin Castro Universidad Politécnica de Victoria
Minería de Datos Profra. Heidy Marisol Marin Castro Universidad Politécnica de Victoria 1 Que es un conjunto de datos? Es una colección de objetos con sus respectivo atributos. Un atributo es una propiedad
Más detallesÍNDICE. Capítulo 1. Técnicas de segmentación. Conceptos y clasificación... 1
ÍNDICE Capítulo 1. Técnicas de segmentación. Conceptos y clasificación... 1 Conceptos básicos... 1 Clasificación de las técnicas de segmentación... 1 Técnicas predictivas y descriptivas... 1 Técnicas Ad-Hoc
Más detallesAPUNTES DE ÁLGEBRA LINEAL TEMA 2. SISTEMAS DE ECUACIONES LINEALES
APUNTES DE ÁLGEBRA LINEAL TEMA 2. SISTEMAS DE ECUACIONES LINEALES Ignacio López Torres. Reservados todos los derechos. Prohibida la reproducción total o parcial de esta obra, por cualquier medio electrónico
Más detallesSistemas de ecuaciones.
1 CONOCIMIENTOS PREVIOS. 1 Sistemas de ecuaciones. 1. Conocimientos previos. Antes de iniciar el tema se deben de tener los siguientes conocimientos básicos: Operaciones básicas con polinomios. Resolución
Más detallesTEORIA DE DECISIONES
TEORIA DE DECISIONES En economía y administración existen ciertos tipos de problemas en los que no es posible obtener muestras(información objetiva) para estimar ciertas características de la población.
Más detallesArboles de Decisión (II) Carlos Hurtado L. Depto de Ciencias de la Computación, Universidad de Chile
Arboles de Decisión (II) Carlos Hurtado L Depto de Ciencias de la Computación, Universidad de Chile Cuál es el mejor split? Buscamos splits que generen nodos hijos con la menor impureza posible (mayor
Más detalles