Segmentacion Segmantica_Modelos UNET and DEEPLABV3
Examen final
1. UNIVERSIDAD REGIONAL AUTÓNOMA DE LOS ANDES
“UNIANDES”
FACULTAD DE SISTEMAS
CARRERA: INGENIERÍA EN SISTEMAS
NOVENO NIVEL
TEMA: Evaluación final
Asignatura: Sistema a la toma de decisiones
Nombre: Jonathan Llerena
Docente: Ing. Luis Guallpa
Fecha de entrega:
08/04/2016
2. OBJETIVOS
Realizar un análisis de los ejercicios del Lenguaje R, utilizando WEkA
FUNDAMENTO TEÓRICO
Toma de decisiones
Para tomar una decisión, es necesario conocer, comprender y analizar un problema,
para así poder darle solución. En algunos casos, por ser tan simples y cotidianos, este
proceso se realiza de forma implícita y se soluciona muy rápidamente, pero existen otros
casos en los cuales las consecuencias de una mala o buena elección pueden tener
repercusiones en la vida y si es en un contexto laboral en el éxito o fracaso de la
organización, para los cuales es necesario realizar un proceso más estructurado que
puede dar más seguridad e información para resolver el problema.
Lenguaje R
R es un entorno y lenguaje de programación con un enfoque al análisis estadístico. R es
una implementación de software libre del lenguaje S pero con soporte de alcance
estático. Se trata de uno de los lenguajes más utilizados en investigación por la
comunidad estadística, siendo además muy popular en el campo de la minería de datos,
la investigación biomédica, la bioinformática y las matemáticas financieras. A esto
contribuye la posibilidad de cargar diferentes bibliotecas o paquetes con
funcionalidades de cálculo y gráficas.
Weka
Es una plataforma de software para el aprendizaje automático y la minería de datos
escrito en Java y desarrollado en la Universidad de Waikato. Weka es software libre
distribuido bajo la licencia GNU-GPL.
Árbol de decisión
Un árbol de decisión es una forma gráfica y analítica de representar todos los eventos
(sucesos) que pueden surgir a partir de una decisión asumida en cierto momento. Esto
es una gran herramienta para la toma de decisiones.
PCA (Análisis de componentes principales)
Se trata de una técnica estadística cuyo objetivo es la reducción de la dimensión o
número de atributos. Se basa en el supuesto de que la mayor parte de la información de
un juego de datos puede ser explicada por un número menor de variables o atributos.
SMV (Support Vector Machines)
Las SVM son capaces de producir buenos modelos para resolver problemas de
clasificación binaria, pero también para tareas de regresión, de multiclasificación y de
agrupamiento. Estas propiedades han llevado a las SVM a ser considerados los mejores
algoritmos para aplicaciones de clasificación de texto.
3. DESARROLLO DE LAS PRÁCTICAS
ÁRBOL
Abrimos weca
Seleccionamos EXPLORER y nos abrirá esta ventana
4. Seleccionamos OPEN FILE, buscamos Seleccionamos las BD con las que se va a trabajar
y le damos en abrir
Una vez cargado el archivo, nos mostrara esta ventana
9. PCA (ANÁLISIS DE COMPONENTES PRINCIPALES)
Abrimos weca
Seleccionamos EXPLORER y nos abrirá esta ventana
10. Seleccionamos OPEN FILE, buscamos Seleccionamos las BD con las que se va a trabajar
y le damos en abrir
Una vez cargado el archivo, nos mostrara esta ventana
11. En la misma pestaña seleccionamos en CHOOSE y luego en PRINCIPAL COMPONENTS
Seleccionamos en APPLY y nos quedara asi
12. Seleccionamos en la pestaña de VISUALICE y nos mostrara lo siguiente
Seleccionamos uno y nos mostrara esta ventana
13. Seleccionando en Y nos mostrara el análisis de componente que se realizo
Si escogemos otro nos mostrara otro análisis te componente
14. SVM (SUPPORT VECTOR MACHINES)
Abrimos weca
EXPLORER y nos abrirá esta ventana
15. Seleccionamos OPEN FILE, buscamos Seleccionamos las BD con las que se va a trabajar
y le damos en abrir
Una vez cargado el archivo, nos mostrara esta ventana
16. En la misma pestaña seleccionamos en CHOOSE y luego en NUMERICTONOMINAL
Presionamos doble clic en esta parte
Nos cargara esta ventana
17. Aquí en donde dice FIRST.LAST eliminamos y escibimos 1 y le damos en OK
Nos quedara esta ventana cuando le presionemos en APPLY
18. Nos dirigimos aquí y buscamos el primer dato
Nos dirigimos a la pestaña de CLASSIFY y seleccionamos igual el primer dato
19. Una vez aquí en esta ventana le damos en START
En CHOOSE nos dirigimos a FUNTIONS y aquí seleccionamos SMO
20. Una vez seleccionado SMO nos mostrara esta ventana y le damos en START
Se procede a construir el modelo SVM
21. CONCLUSIONES
El árbol de decisión nos permite tomar decisiones mediante información
obtenida de cualquier tipo de estudio ya sea comercial, empresarial e industrial
permitiendo analizar cada una de los enlaces del esquema del árbol de
decisiones.
El análisis de componentes principales son combinaciones lineales de las
variables originales.
RECOMENDACIONES
Recomiendo siempre saber analizar correctamente los enlaces que tiene el árbol
determinando cada entrada y salida para así poder obtener una información
correcta y poder tonar decisiones.
Recomiendo hacer una previa clasificación del tipo de variable a usar
(cualitativas, cuantitativas).