CURSO : MINERIA DE DATOS

EJERCICIO DE LABORATORIO
KDD ( KNOWLEDGE DISCOVERY IN
DATABASES)
GRUPO:
JAIME SALOMON COSTILLA GUEVARA
JORGE ANTONIO ASTOCONDOR RUESTA
VICTOR TORRES CARDENAS
ISRAEL ORCONI CANDIOTTI
INDICE
1.Selección de datos
2.Pre procesamiento de datos
3.Transformacion de datos
4.Mineria de datos
5.Evaluacion de modelos
6.Interpretacion de resultados
7.Visualizacion
8.Documentacion
1.- SELECCIÓN DE DATOS
2.- PRE PROCESAMIENTO DE DATOS
Se llevo a cabo la limpieza de la base de datos y nos que quedamos con los siguientes campos:
2.- PRE PROCESAMIENTO DE DATOS
3.- TRANSFORMACIÓN DE DATOS
Se transformaron las fechas a solo Mes y año.
4.- MINERIA DE DATOS
4.- MINERIA DE DATOS
4.- MINERIA DE DATOS
4.- MINERIA DE DATOS RANDOM FOREST
5.- EVALUACION DE MODELO TREE
5.- EVALUACION DE MODELO RANDOM
FOREST
6.- INTERPRETACIÓN DE RESULTADOS

• Hemos empleado dos modelos, uno basado en árboles de decisión y otro en

Random Forest, respaldados por la evaluación del puntaje de prueba. El
modelo de Random Forest ha demostrado resultados sólidos, revelando
inicialmente que las vacunas no son obligatorias para los perros, pero a
medida que se recopilan más datos, llega a la conclusión de que son
esenciales para ambas especies. Además, el modelo realiza un análisis de
peso entre perros y gatos. En resumen, Random Forest se destaca por su
capacidad para llevar a cabo un análisis de resultados más completo.
7.- VISUALIZACION