Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Big Data - Luis Fernando Domínguez
Big Data - Luis Fernando Domínguez
Scheme: weka.classifiers.rules.ZeroR
Relation: INFRAESTRUCTURA
Instances: 10
Attributes: 6
ID del Proyecto
Nombre del Proyecto
Fecha de Inicio
Fecha de Finalización
Responsable
¿CUMPLIO EL PLAZO?
Test mode: 10-fold cross-validation
TP Rate FP Rate Precision Recall F-Measure MCC ROC Area PRC Area Class
1.000 1.000 0.700 1.000 0.824 ? 0.000 0.700 SI
0.000 0.000 ? 0.000 ? ? 0.000 0.300 NO
Weighted Avg. 0.700 0.700 ? 0.700 ? ? 0.000 0.580
Y Después para interpretar los datos del siguiente programa con uso de la inteligencia artificial.
1. Resumen General:
• Atributos: Hay 6 atributos, incluyendo el ID del Proyecto, Nombre del Proyecto, Fecha de Inicio, Fecha de Finalización,
Responsable, y la variable objetivo "¿CUMPLIO EL PLAZO?".
• Esquema de Clasificación: El clasificador utilizado es ZeroR, que predice la clase mayoritaria en el conjunto de datos.
• Kappa statistic: Mide la concordancia entre las predicciones del modelo y las clases reales. Un valor de 0 indica un rendimiento
igual al azar.
• Mean absolute error: 0.4727, que indica la diferencia promedio entre las predicciones y los valores reales.
• Root mean squared error: 0.5012, que mide la dispersión de los errores.
• Precision: 0.700 (la proporción de instancias predichas como positivas que son realmente positivas).
• Todas las métricas para la clase "NO" no se pudieron calcular debido a la falta de predicciones correctas.
4. Matriz de Confusión:
• La matriz de confusión muestra que de las 7 instancias de la clase "SI", todas fueron clasificadas correctamente. Sin embargo,
para la clase "NO", todas las instancias fueron incorrectamente clasificadas como "SI".
En resumen, el modelo ZeroR está prediciendo la clase mayoritaria ("SI") para todas las instancias, lo que resulta en un rendimiento deficiente en
términos de precisión global y especialmente para la clase minoritaria ("NO"). Este modelo no está proporcionando información útil sobre las
instancias que no cumplen el plazo. Considerar modelos más complejos y ajustar los parámetros puede mejorar los resultados.