Documentos de Académico
Documentos de Profesional
Documentos de Cultura
CÓDIGO: 208054
Paso 5
Evaluación Final
Presentado a:
PAOLA ANDREA MATEUS
Directora del Curso
Entregado por:
Jose Alexander Vargas Jaramillo
Código: 71054680
Grupo: 208054_4
MAYO 2020
BOGOTA DC.
INTRODUCCIÓN
El presente trabajo se realizará teniendo en cuenta las temáticas del Paso 5 – Evaluación final. La
cual contiene los temas relacionados con lectura de imágenes, espacios de color niveles de grises,
sensibilidad, especificidad, curva ROC, donde se consulta y recopila información necesaria para
Cumplir con esta actividad será posible realizando la lectura e investigación encaminada a un
proyecto final, que, en este paso del proyecto, busca realizar una presentación en power point y la
2. Analizar las características principales de los objetos de interés en las imágenes, para el
entrenamiento de clasificadores.
Ground Truth
Hoja sana Hoja Enferma
CLASIFICACION
CLASIFICACION SVM CLASIF. 50%
PERFECTA
X Y X Y X Y
0 0 0 0 0 0
0 1 0 1 0.5 0.5
1 1 1 1 1 1
Aquí tenemos los resultados en la tabla de datos
Cantidad de
Clasificación Clasificación
objetos en la Área máxima Área mínima
SVM Experto
imagen
Enferma6 9 1624 127 1 1
Enferma7 3 7104 243 1 1
Enferma8 6 3281 119 1 1
Enferma9 4 305564 265 1 1
Enferma10 2 5662 116 1 1
Enferma11 2 5305 108 1 1
Enferma12 1 7693 7693 1 1
Sana4 1 147840 147840 0 0
Sana5 1 58081 58081 0 0
Sana7 1 22005 22005 0 0
Sana8 1 12581 12581 0 0
Sana9 1 22512 22512 0 0
(num) (MaxArea) (MinArea)
Y la evaluación cualitativa de acuerdo con los resultados y podemos validar que es una
clasificación perfecta.
Evaluación Cualitativa
Clasificador Reales VN VP FN FP Precisión Exactitud Especificidad Sensibilidad
Imágenes
7 7
Enfermas
5 7 0 0 100 % 100 % 100 % 100 %
Imágenes
5 5
sanas
Sensibilidad
𝑅=
Especificidad
𝑆 𝐶=
Luego de los resultados anteriores, podremos aplicar el código para obtener nuestra curva
característica operativa del receptor, más conocida como ROC el cual nos va a confirmar si el
clasificador que implementamos es correcto o valido para el estudio. Esto quiere decir que
podríamos confiar en nuestro clasificador de acuerdo con estos resultados ROC.
Para el diseño de la curva ROC, nombramos la variable de “Sensibilidadperfecta”, la cual contiene
los valores obtenidos en la clasificación que corresponden a las coordenadas del eje “y”, de igual
forma se nombra la variable “Especificidadperfecta”, la cual contiene los valores obtenidos en la
clasificación que corresponden a las coordenadas del eje “x”, en el eje “y”, tenemos [0,1,1], y en
mi eje “x”, tenemos [0,0,1], luego con la función “plot” se gráfica y traigo en figura a mis vectores
“x” y “y”, graficándose en color “g=verde” la cual no se logra observar porque se encuentra en la
misma dirección de la línea azul.
Para mostrar cómo se vería la línea diagonal del 50% y que se vea en la gráfica la diferencia entre
la curva perfecta “azul” y está de la mitad, línea “roja”, nombro las variables de
“Sensibilidadmitad” y Especificidadmitad”, de igual manera con la declaración de dos vectores y
tres coordenadas.
En clasificación de SVM también tengo dos vectores y 3 coordenadas, Para la curva ROC perfecta,
tenemos tres coordenadas, una que es el inicio, la otra es clasificación perfecta y la otra donde
finaliza. Es decir, nombramos la variable de “SensibilidadSVM”, la cual contiene los valores
obtenidos en la clasificación que corresponden a las coordenadas del eje “y”, de igual forma se
nombra la variable “EspecificidadSVM”, la cual contiene los valores obtenidos en la clasificación
que corresponden a las coordenadas del eje “x”, en el eje “y”, tenemos [0,1,1], y en mi eje “x”,
tenemos [0,0,1], luego con la función “plot” se gráfica y traigo en figura a mis vectores “x” y “y”,
graficándose en color “b=azul” la cual me muestra una clasificación perfecta en la curva ROC.
En conclusión, tengo dos vectores “x” y “y”, tres pares de coordenadas que me indican el inicio,
la unión y el final, este inicio está indicado cuando “x” y “y” son Ceros, dan clasificación perfecta
cuando en el medio “x” está en Cero y “y” está en 1 y finaliza con “x” y “y” ambas en 1.
Al darle correr observamos que la gráfica nos dio un ROC perfecto y también observamos la de la
mitad solo para tenerla como referencia.
Mi curva es la que sale en color azul.
Podemos observar que la gráfica nos muestra resultados perfectos de la sensibilidad sobre
especificidad en la que la curva ROC es la que podemos visualizar y evidencia que es el 100% lo
cual es una clasificación perfecta.
Encontramos entonces que, para nuestra tabla de prueba, los resultados de clasificación arrojados,
dan para un 100% de acierto o efectividad del clasificador.