Ejemplo De Arboles De Decision

57,988 views
57,613 views

Published on

Ejemplo practico de la utilización de un árbol de decisión Utilizando la herramienta WEKA

1 Comment
0 Likes
Statistics
Notes
  • LO MAS PROBABLE ES QUE TENGA UNA EJECUCION MAS COMPLETA
       Reply 
    Are you sure you want to  Yes  No
    Your message goes here
  • Be the first to like this

No Downloads
Views
Total views
57,988
On SlideShare
0
From Embeds
0
Number of Embeds
670
Actions
Shares
0
Downloads
267
Comments
1
Likes
0
Embeds 0
No embeds

No notes for slide

Ejemplo De Arboles De Decision

  1. 1. <ul><li>Por: </li></ul><ul><li>Diego Herrera </li></ul>
  2. 2. Clasificación automática de fotografías <ul><li>En la actualidad, el manejo de imagenes se ha hecho cada vez mas masivo, a partir de la popularizacion de los medios fotograficos como son las camaras digitales, asi mismo la difusion de estas a traves de la red(internet) </li></ul><ul><li>Lo que se pretende realizar es un medio de catalogar las imagenes, realizando agrupaciones, clasificaciones, ayudando a mejorar la busqueda de éstas. </li></ul>
  3. 3. Datos Disponibles <ul><li>Para poder realizar este ejemplo se ha dispuesto de una colección de 200 fotografías , las mismas que han sido separadas en cuatro grupos , según las categorías definidas. </li></ul><ul><li>La principal idea es que cada categoría debería presentar ciertas dominantes de color, o intensidad de color (incluido el negro). </li></ul>
  4. 4. Colección de imágenes utilizadas <ul><li>Nocturnas </li></ul><ul><li>Urbanas </li></ul><ul><li>Retratos y </li></ul><ul><li>Paisajes </li></ul>
  5. 5. Cargando Datos WEKA
  6. 6. Árbol de Decisión
  7. 7. Resultados Obtenidos <ul><li>Una vez implementado el modelo de árbol de decisión(J48) hemos obtenidos los siguientes resultados: </li></ul><ul><li>Number of Leaves : 22 </li></ul><ul><li>Size of the tree : 43 </li></ul><ul><li>Time taken to build model: 0.08 seconds </li></ul><ul><li>=== Stratified cross-validation === </li></ul><ul><li>Correctly Classified Instances 130 65 % </li></ul><ul><li>Incorrectly Classified Instances 70 35 % </li></ul><ul><li>=== Detailed Accuracy By Class === </li></ul><ul><li>Precision Class </li></ul><ul><li>0.571 paisaje </li></ul><ul><li>0.477 urbana </li></ul><ul><li>0.962 nocturna </li></ul><ul><li>0.564 gente </li></ul>
  8. 8. Resultados Obtenidos a b c d Classified as 28 13 0 8 a = paisaje 14 21 0 9 b = urbana 0 0 50 2 c = nocturna 8 16 0 31 d = gente
  9. 9. Resultados Obtenidos
  10. 10. Conclusiones <ul><li>De los resultados obtenidos en la ejecución de los diferentes modelos, se analizaron algunos indicadores de la salida obtenida en cada caso. Concretamente, se utilizó como medio de comparación, los indicadores de correctitud de instancias clasificadas, el detalle de precisión de clasificación por clases, y la matriz de confusión de cada caso. </li></ul>
  11. 11. Bibliografía <ul><li>Gomez, Daniel. 2007. Clasificacion automatica de fotografias. [En línea] 2007. [Citado el: 22 de 04 de 2009.] http://www.dcc.uchile.cl/~dgomez/universidad.php?page=proyecto_datamining. </li></ul>

×