UNIVERSIDAD NACIONAL AGRARIA LA MOLINA

Departamento de Estadstica e Informtica Asignatura: Tcnicas Multivariadas Avanzadas Semestre 2009-I

Prctica Dirigida Naive Bayes

1. Analice la siguiente base de datos donde la variable clase es Var6. a. Ingrese los datos a R b. Al realizar el clasificador por Naive bayes, cual seria el uso de Var1. Al ser todas las observaciones iguales, cada observacin de la var1 proporciona probabilidades a prioris constantes, las cuales son conocidas de antemano al momento de realizar la clasificacin c. Calcule las probabilidades a priori para cada clase. d. Dada una nueva observacin (0,1,2,1,0,1) a que clase pertenecera esta, si se aplica el clasificador Naive Bayes. e. Extraiga una muestra de 5 observaciones sin reemplazo de estos datos y calcule la taza de mala clasificacin.

2. Abra las siguientes librerias library(MASS) library(class) library(e1071) a) Corra y analice la siguiente sentencia. m <- naiveBayes(iris[,-5], iris[,5]) m b) Establezca la tasa de error de la siguiente salida. tabla=table(predict(m, iris[,-5]), iris[,5]) tabla c) Ejecute las siguientes sentencias a=sample(1:150,15,replace=T) tabla=table(predict(m, iris[a,-5]), iris[a,5]) tabla d) Con el uso de muestreo establezca la taza de error por resubstitucion, y la de validacin cruzada 10

UNIVERSIDAD NACIONAL AGRARIA LA MOLINA

Departamento de Estadstica e Informtica Asignatura: Tcnicas Multivariadas Avanzadas Semestre 2009-I

tabla=table(predict(m, iris[,-5]), iris[,5])

a=sample(1:150,15,replace=T) tabla=table(predict(m, iris[a,-5]), iris[a,5]) tabla las 10 particiones construir el calsificador sin usar ninguna de las particiones hechas a1=sample(1:150,150,replace=F) ind1=a1[1:15] ind2=a1[16:30] ind3=a1[31:45] ind4=a1[46:60] ind5=a1[61:75] ind6=a1[76:80] m <- naiveBayes(iris[ind1,-5], iris[ind1,5]) tablas<-table(predict(m,iris[ind1,-5]),iris[ind1,5])

3. Ejecute lo anterior con los datos de Vehicle y bupa por error (vc, bootstrap2) ( tarea) PARA BOOSTRAPPING a1=sample(1:150,150,replace=T)