UNIVERSIDAD NACIONAL DANIEL ALCIDES

CARRIÓN
FACULTAD DE INGENIERÍA
ESCUELA DE FORMACIÓN PROFESIONAL DE SISTEMAS Y COMPUTACIÓN

TRABAJO DE APLICACIÓN-SOFTWARE
TÍTULO:
“Informe La Base de Conocimiento generado con IBM SPSS
Modeler”

Docente:
❖ Muños Robles, Williams Antonio

Integrantes:

❖ Chávez Aquino Carlos Daniel

❖ Condor Ramos, Dalmin Max
❖ Cristóbal Vicente, Yerson Leoncio
❖ Valdés Arce, Kalev Edward

Cerro de Pasco-Perú-2021
Contenido
Datos iniciales........................................................................................................................ 3
Base de Conocimiento generado con IBM - SPSS Modeler...................................................4
Implementación de las reglas mediante un lenguaje de programación..................................9
Conclusión........................................................................................................................... 12
 Datos iniciales

Cielo Temperatura Humedad Viento Jugar

Soleado Caluroso Alta flojo No

Soleado Caluroso Alta fuerte No

Cubierto Caluroso Alta flojo Si

Lluvioso Suave Alta flojo Si

Lluvioso Fresco Normal flojo Si

Lluvioso Fresco Normal fuerte No

Cubierto Fresco Normal fuerte Si

Soleado Suave Alta flojo No

Soleado Fresco Normal flojo Si

Lluvioso Suave Normal flojo Si

Soleado Suave Normal fuerte Si

Cubierto Suave Alta fuerte Si

Cubierto Caluroso Normal flojo Si

Lluvioso Suave Alta fuerte No

Base de Conocimiento generado con IBM - SPSS Modeler

Agregamos nuestra fuente de datos que en este caso es un documento txt.
Vemos todos los datos y si queremos quitar alguno lo podemos realizar desde el filtro.

Ahora detectamos los tipos de datos y definimos cuales son las variables de entrada y cual es
la salida.
Añadimos una tabla para poder visualizar los datos que tenemos después de los filtros.

Para los primeros resultados elegimos el algoritmo de árbol de decisión y elegimos el árbol
de decisión.
Usamos la herramienta de análisis a nuestro resultado y veremos que tenemos el resultado al
100%.

Y veremos el resultado que obtenemos al usar el árbol de decisión.

Ahora lo ejecutamos con el conjunto de reglas.

Usamos la herramienta de análisis para ver el porcentaje de error, y vemos que al elegir esta
opción diferente a la otra que elegimos antes el porcentaje de error aumenta.
y generamos el conjunto de reglas.
 Implementación de las reglas mediante un lenguaje de programación.

Implementando estas reglas al sistema experto creado en HTML, CSS Y PHP. para lo cual
usaremos el resultado obtenido en el árbol de decisión ya que en este nos da un error de 0%

<?php
$cielo = $_POST['cielo'];
$tempetura = $_POST['temperatura'];
$humedad = $_POST['humedad'];
$viento = $_POST['viento'];

if($cielo=='cubierto') {
echo "SI SE JUEGA";
}
if ($cielo=='lluvioso' && $viento=='flojo') {
echo "SI SE JUEGA";
}
if ($cielo=='soleado' && $humedad=='normal') {
echo "SI SE JUEGA";
}
if ($cielo=='lluvioso' && $viento=='fuerte') {
echo "NO SE JUEGA";
}
if ($cielo=='soleado' && $humedad=='alta') {
echo "NO SE JUEGA";
}
?>
 Conclusión

Al analizar los datos con el programa SPSS-Modeler nos dimos cuenta que la temperatura no
influye para determinar si se juega o no la variable que más influye es el cielo con 51% luego
la humedad con un 45% y el viento con 4%.

También nos dimos cuenta que a la hora de modelar con el algoritmo C5.0 tenemos 2
opciones de ver el resultado el de árbol de decisión y el otro es el de conjunto de reglas, al
usar el primero mencionado tenemos menor tasa de error ya que esta agrupa las variables de
2 en 2 y al hacer esto se tiene mayor precisión al deducir las reglas. en cambio al usar la otra
opción el conjunto de reglas son menos agrupadas lo que provoca un error el cual mediante
la comparación de los 2 resultados vimos que el error está en la regla “humedad=normal
entonces si se juega” lo cual cotejando con el conjunto de datos iniciales es una afirmación
errónea.