Documentos de Académico
Documentos de Profesional
Documentos de Cultura
PRESENTADO POR:
Juan Felipe Romero Diaz
Cindy Hurtado Verdugo
Nicolas Cuartas Verjel
NOMBRE DE LA PRÁCTICA
Clasificación no paramétrica por k vecinos más cercanos
OBJETIVO
Desarrollar y validar un clasificador por k vecinos más cercanos
RESULTADOS ESPERADOS
● Algoritmo que clasifique datos de entrada de la base de
datos wine.
● Algoritmo que mida el rendimiento de dicho clasificador
METODOLOGÍA
A partir de las siguientes características de la base de datos
wine:
Alcohol
Ácido málico
ceniza
Magnesio
Fenoles totales
Flavonoides
Fenoles no flavonoides
Proantocianidinas
Intensidad del color
1. Seleccione las características más apropiadas (mayor
separabilidad) para entrenar el clasificador, grafíquelas.
SIN NORMALIZACIÓN
Alcohol
Ácido málico
Ceniza
Magnesio
Fenoles totales
Flavonoides
Fenoles no flavonoides
Proantocianidinas
Intensidad del color
NORMALIZACIÓN DE CARACTERÍSTICAS
Alcohol
Ácido málico
Ceniza
Magnesio
Fenoles totales
Flavonoides
Fenoles no flavonoides
Proantocianidinas
Intensidad del color
Luego de realizar las gráficas de las características con y sin
normalización, se analiza de manera cualitativa que la
característica que contiene los Flavonoides es la que presenta
mejor separabilidad frente a las demás características, es por
ello que de acuerdo a la separabilidad obtenida en las gráficas
se selecciona de manera cualitativa las mejores características,
quedando seleccionados los siguientes conjuntos de
características:
Flavonoides-Alcohol.
Flavonoides-Ceniza.
Flavonoides-Fenoles totales.
Flavonoides-Intensidad de color.
2. Cargar los datos de entrenamiento y validación del archivo
wine. mat
Con ayuda del comando load se cargó el archivo
wine,posteriormente se descomprimió en las diferentes variables
correspondientes.
3. Normalizar los datos
Para la normalización de los datos se implementó el algoritmo
que se describe en el siguiente diagrama de flujo:
4. Implementar el algoritmo k-vecinos con el set de
entrenamientos, crear función: class=kvecinos (x, y, knn)
5. Implementar un algoritmo que calcule el desempeño de su
clasificador.
Para el algoritmo de desempeño del clasificador se
implementaron tres parámetros, error, precisión y exactitud, el
algoritmo utilizado se resume en el siguiente diagrama de flujo:
6. Variar el K y analizar los resultados de rendimiento.
Flavonoides-Alcohol
RÚBRICA/PONDERACIÓN
RÚBRICA/PONDERACIÓN
CURSO: ADS
PROF: ARMANDO QUIÑONES
LAB: GENERACIÓN ELECTRÓNICA DE SEÑALES PARA ELECTROTERAPIA
CRITERIOS PONDERACIÓN RESULTADO
Algoritmo de K-NN 2.5
Análisis de variación del K 1.5
Conclusiones 1
OBSERVACIONES(PROFESOR):