Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Ahora tiene un modelo simple de dos características que funciona bien para tres letras en particular
(J, M y V). ¿Podría este modelo funcionar también para todo el alfabeto? En esta actividad, creará y
probará el mismo modelo kNN, pero para 13 letras (la mitad del alfabeto inglés).
Actividad 1
El archivo MAT datos13letras.mat contiene una tabla (caracteristicas) con las mismas
características que antes. Sin embargo, ahora los datos incluyen muestras de 13 letras diferentes.
Tarea: Utilice la función gscatter para representar las observaciones en caracteristicas, con
la relación de aspecto en el eje horizontal y la duración en el eje vertical, coloreadas por clase
(almacenadas en la variable Caracter).
load datos13letras.mat
Actividad 2
Tarea: Utilice la función fitcknn para ajustar un modelo a los datos. Establezca la propiedad
"NumNeighbors" en 5. Almacene el modelo en una variable llamada modelo_knn. Utilice el
modelo para predecir las clases para las observaciones almacenadas en datos_prueba. Almacene
las predicciones en una variable llamada predicciones.
Actividad 3
Tarea: Calcule la tasa de clasificación errónea del modelo y cree una gráfica de confusión. Almacene
la tasa de clasificación errónea en una variable llamada tasa_clas_err.
Tarea adicional
No es sorprendente que un modelo con solo dos características (elegidas para distinguir tres letras
en particular) no se adapte bien a muchas letras. En las siguientes secciones aprenderá a diseñar
más características y a crear mejores modelos.
Archivos requeridos:
datos13letras.mat