0 calificaciones0% encontró este documento útil (0 votos)
41 vistas1 página
Este documento presenta un taller sobre el entrenamiento y evaluación de un modelo de árbol de decisión usando el conjunto de datos NBA para predecir si un jugador ganará o no un partido. El documento instruye al lector a cargar los datos, entrenar un árbol de decisión variando su profundidad, medir el desempeño, e interpretar el modelo. Luego guía al lector a graficar la curva de aprendizaje y comparar el modelo de árbol de decisión con uno Naive Bayes usando validación cruzada.
Este documento presenta un taller sobre el entrenamiento y evaluación de un modelo de árbol de decisión usando el conjunto de datos NBA para predecir si un jugador ganará o no un partido. El documento instruye al lector a cargar los datos, entrenar un árbol de decisión variando su profundidad, medir el desempeño, e interpretar el modelo. Luego guía al lector a graficar la curva de aprendizaje y comparar el modelo de árbol de decisión con uno Naive Bayes usando validación cruzada.
Este documento presenta un taller sobre el entrenamiento y evaluación de un modelo de árbol de decisión usando el conjunto de datos NBA para predecir si un jugador ganará o no un partido. El documento instruye al lector a cargar los datos, entrenar un árbol de decisión variando su profundidad, medir el desempeño, e interpretar el modelo. Luego guía al lector a graficar la curva de aprendizaje y comparar el modelo de árbol de decisión con uno Naive Bayes usando validación cruzada.
1. Descargue el conjunto de datos nba.txt y lea la descripción del mismo en la
cabecera del archivo. 2. Cargue el conjunto de datos en RapidMiner. 3. Entrene un árbol de decisión: a. Haga una partición del conjunto de datos, usando muestreo estratificado, en 70% para entrenamiento y 30% para test (operador: Split Data). b. Entrene el modelo (operador: Decision Tree). c. Aplique el modelo al conjunto de test (operador: Apply Model). d. Mida el desempeño del modelo (operador: Performance) calculando exactitud, error de clasificación, precisión, índice de recuperación y área bajo la curva ROC. e. Interprete el modelo obtenido: i. Cuál el el atributo más discriminante? Tiene sentido? De una explicación a partir del conocimiento del problema. ii. Genere 3 diferentes reglas de clasificación a partir del árbol. Explíquelas. 4. Complejidad del modelo y sobre-aprendizaje: a. Modifique el modelo anterior para que también calcule el desempeño en el conjunto de entrenamiento. b. Haga diferentes pruebas cambiando la profundidad máxima del árbol en el operador Decisión Tree. Pruebe los valores 1,2,...,10. c. Grafique la profundidad del árbol contra la evolución del error de entrenamiento y el error de prueba. d. De acuerdo con la gráfica, ¿Cuál sería un buen valor de profundidad para el árbol? 5. Curva de aprendizaje: a. Cambie la proporción de datos usados para entrenar usando diferentes valores: 10%, 20%,...,90%. b. Grafique la evolución del error de entrenamiento y el de prueba contra el porcentaje de ejemplos de entrenamiento. c. Explique el comportamiento de las curvas. 6. Comparación de modelos: a. Usando los datos de la NBA, entrene un modelo de clasificación Naïve Bayes y evalúelo usando validación cruzada con 10 pliegues (operador: X-Validation). b. Entrene un árbol de decisión y evalúelo usando validación cruzada con 10 pliegues (operador: X-Validation). c. Cuál de los dos modelos es mejor?
Sede Campus Universitario 5849233 EXT. 1104
Bloque D - 203 Valledupar Cesar Colombia ingsistemas@unicesar.edu.co
Detección de peatones: Por favor, sugiera un subtítulo para un libro con el título 'Detección de peatones' dentro del ámbito de 'Visión por computadora'. El subtítulo sugerido no debe tener ':'.
DMT: La molécula del espíritu (DMT: The Spirit Molecule): Las revolucionarias investigaciones de un medico sobre la biologia de las experiencias misticas y cercanas a la muerte
Terapia cognitivo-conductual (TCC) y terapia dialéctico-conductual (TDC): Cómo la TCC, la TDC y la ACT pueden ayudarle a superar la ansiedad, la depresión, y los TOCS
Las trampas del miedo: Una visita a las dimensiones biológicas, psicológicas y espirituales para desmantelar el temor paralizante y la tiranía del autosabotaje
Sesgos Cognitivos: Una Fascinante Mirada dentro de la Psicología Humana y los Métodos para Evitar la Disonancia Cognitiva, Mejorar sus Habilidades para Resolver Problemas y Tomar Mejores Decisiones