Tecnolgico de Estudios Superiores de Coacalco

Nombre de la actividad:
Practicas Weka


Materia:
Ingeniera del Conocimiento



Alumno:
Lino Marceleo Uriel Alberto



Grupo:
B821




Contenido
Practica #1 ........................................................................................................................................... 3
Practica #2 ........................................................................................................................................... 5
Practica #3 ........................................................................................................................................... 8
Practica #4 ........................................................................................................................................... 9
Practica #5 ......................................................................................................................................... 11
Practica #6 ......................................................................................................................................... 12













Practica #1

Esta es la pantalla principal de Weka la cual contiene diferentes entornos de trabajo en esta
prctica se utilizara la que se llama Explorer.

Explorer: Entorno visual que ofrece una
interfaz grfica para el uso de los paquetes








Esta es la pantalla de Explorer dentro de esta contiene
Diferentes pestaas la cual realizan diferentes acciones






Para esta prctica se utilizara el fichero weather.arff
el cual se encuentra dentro de la carpeta Practica weka.
Para agregarlo se da clic en el botn Chosse




Al momento de abrir aparece la pantalla con los archivos cargados aparecen, incluye meta-
informacin sobre los propios datos, aparece el nombre y tipo de cada atributo, as como una
descripcin textual del origen de los datos.























Esta es en la segunda pestaa de la
pantalla la cual nos muestra la
informacin de el fichero que se utilizo las
instancias los atributos etc.
Se muestra un rbol, este contiene la
informacin anterior pero ms concreta y
muy precisa, ya que no contiene errores.
Para poder visualizar este rbol pulsamos
botn derecho sobre el texto de la caja
Result-list. Se selecciona la opcin
Visualize Tree.
Practica #2

En este caso se trata de predecir el tipo de frmaco (drug) que se debe administrar a un paciente
afectado de rinitis alrgica segn distintos parmetros/variables. Las variables que se recogen en
los historiales clnicos de cada paciente son:
- Age: Edad
- Sex: Sexo
- BP (Blood Pressure): Tensin sangunea.
- Cholesterol: nivel de colesterol.
- Na: Nivel de sodio en la sangre.
- K: Nivel de potasio en la sangre.
Hay cinco frmacos posibles: DrugA, DrugB, DrugC, DrugX, DrugY. Se han recogido los datos del
medicamento idneo para muchos pacientes en cuatro hospitales. Se pretende, para nuevos
pacientes, determinar el mejor medicamento a probar.
Hay cinco frmacos posibles: DrugA, DrugB, DrugC, DrugX, DrugY. Se han recogido los datos del
medicamento idneo para muchos pacientes en cuatro hospitales. Se pretende, para nuevos
pacientes, determinar el mejor medicamento a probar.
Seleccionando un atributo, nos muestra una grfica, donde se visualiza los registro obtenidos.

Para hacer una comparacin mas real, nos vamos a visualize, ah podemos hacer comparaciones
realies, en este caso vamos a comprar NA y K (potasio y sodio) y nos arroja la siguiente grafica.

Hemos establecido que el medicamento a administrar depende en gran medida del cociente entre
K/Na. Por tanto, vamos a realizar un nuevo modelo que utilice este cociente. Para ello, vamos a
crear un nuevo atributo derivado (tambin llamados atributos pick & mix) mediante el uso de los
filtros del entorno preprocess.
Sleccionamos el siguiente filtro. Este atributo nos permite la creacin de nuevos atributos
mediante la combinacin de atributos ya existentes (Pick&Mix). Modificamos tambin los
atributos del filtro.









Ahora realizamos un visualizacin del modelo de rbol, como la practica pasada.
Modelo mucho ms simple y corto que el anterior, en el que se ve la importancia del atributo que
hemos creado Na_to_K. Adems si analizamos su calidad vemos que el nuevo modelo un 100% de
precisin, con lo que el modelo es mucho ms fiable que antes.























Practica #3

Filtrado de informacin
Primero debemos irnos a la pestaa de Select Atributtes


Nos muestra el resultado

Practica #4

Aprendizaje sensible al costo
En este ejemplo vamos a utilizar el dataset credit-g.arff. Este conjunto de datos contiene 1.000
ejemplos que representan clientes de una entidad bancaria que demandaron un crdito. Existen
siete atributos numricos y 13 nominales. Los atributos de cada objeto indican informacin sobre
el cliente en cuestin: estado civil, edad, parado, etc., as como informacin del crdito: propsito
del crdito, cantidad solicitada, etc. La clase es binaria e indica si el cliente puede ser considerado
como fiable para concederle el crdito o no.
Este dataset, trae informacin de los costos de clasificacin errnea, en concreto la siguiente
matriz de costo.
Vamos a ver cmo podemos evaluar los modelos con respecto a la matriz de coste en Weka.





Zero


Ahora probamos con bayes.

Dos de estas tcnicas estn integradas CostSensitiveClassifier en Meta. Este paquete ofrece dos
tcnicas bastante sencillas para que un mtodo de aprendizaje sea sensible al contexto. La
primera versin consiste en que los modelos aprendidos asignen las clases de manera que se
minimicen los costes de clasificacin errnea. Normalmente, esta asignacin se realiza de manera
que se reduzcan los errores en la clasificacin. La segunda tcnica consiste en modificar los pesos
asignados a cada clase de manera que se da ms importancia a los ejemplos que son susceptibles
de cometer los errores ms costosos.

El coste es menos, con



Practica #5

Agrupaciones
Primero vamos a la pestaa de Clusters, seleccionamos el mtodo:
Nos muestr la siguiente tabla


Nos muestra tambin pulsando clic derecho en la lista de resultados, una grfica del
conglomerado del cluster.

Practica #6
Reglas de asociacin y dependencias
En la pestaa de asociacin.
Y muestra tambin la configuracin





El resultado que nos muestra es el siguiente

En cada regla, tenemos la cobertura de la parte izquierda y de la regla, as como la confianza de la
regla. Podemos conocer alguna regla interesante aunque otras los son menos. Por ejemplo, la
regla 1 indica que, como era de esperar toda la tripulacin es adulta. La regla 2 nos indica lo
mismo, pero teniendo en cuenta a los varones. Parecidas conclusiones podemos sacar de las
reglas 4, 5 y 6. La regla 3 nos indica que los varones que murieron fueron en su mayora adultos
(97%). La regla 7 destaca que la mayora que murieron fueron adultos (97%). Y finalmente la 10
informa que la mayora de los muertos fueron hombres (92%).