Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Metodo
Metodo
El siguiente paso consiste en que estos modelos generados clasifiquen los datos de
entrenamiento. Al momento de realizar la clasificación de datos con los modelos, se obtuvo
una matriz de etiquetas correspondientes (este caso las etiquetas son desde P1 hasta P9
puesto que son los niveles de severidad de diente roto) a los datos de entrenamiento
clasificados por el modelo y también se generó una matriz de la probabilidad posterior al
clasificar. La probabilidad posterior hacer referencia a la probabilidad que tiene una señal de
ser clasificada con determinada etiqueta.
Con el fin de explicar el proceso detalladamente, se debe mencionar que cada subseñal tiene
determina probabilidad de ser etiquetada en cualquier nivel de severidad de fallo (P1-P9). La
mayor probabilidad obtenida en cierta etiqueta determina su clasificación y para esto, se suma
el total de la probabilidad de 90 de subseñales de ser clasificada. En otras palabras, la
probabilidad máxima era 90 y la mínima era de 0, esto se debe a que en Matlab la probabilidad
para cada subseñal tenía el rango de 0 a 1. Al determinar cada 90 veces cuál de las etiquetas
era la más probable, se llegaba a clasificar a una señal original con su correspondiente
etiqueta. De esto modo, la matriz de confusión que se obtuvo es de 9x9 con el valor máximo
de etiquetas correctamente clasificadas de 24 para el caso de los datos de entrenamiento y de
6 para los datos entrenamiento. Este proceso se realizó con todos los datos para poder
comparar su compartimento y rendimiento general.
Con las matrices de confusión generadas se realiza el cálculo de precisión, exactitud, recall y
Score F1 para determinar si los resultados los deseados, pero sobre todo los adecuaos para
una clasificación optima. En caso de no cumplir con lo requerido se tomó la decisión de
cambiar lo parámetros y en caso de tener buenos resultados fue posible determinar los
mejores parámetros y grupos de atributos. Finalmente, se generación graficas de los mejores
resultados obtenidos por grupos atributos y parámetros.