Métodos de clasificación en minería de datos meteorológicos.
Uno de los objetivos de la minería de datos es la clasificación, la cual tiene como fin clasificar una variable dentro de una de las categorías de una clase. En este trabajo se consideraron variables meteorológicas de la estación cumandá. con el objetivo de determinar el modelo adecuado al conjunto...
| Autores: | , , , , |
|---|---|
| Tipo de recurso: | artículo |
| Estado: | Versión publicada |
| Fecha de publicación: | 2018 |
| País: | Ecuador |
| Institución: | Escuela Superior Politécnica de Chimborazo |
| Repositorio: | Repositorio Escuela Superior Politécnica de Chimborazo |
| Idioma: | español |
| OAI Identifier: | oai:dspace.espoch.edu.ec:123456789/9395 |
| Acceso en línea: | http://dspace.espoch.edu.ec/handle/123456789/9395 |
| Access Level: | acceso abierto |
| Palabra clave: | MÉTODOS DE CLASIFICACIÓN MINERÍA DE DATOS DATOS METEOROLÓGICOS CLASSIFICATION METHODS DATA MINING METEOROLOGICAL DATA |
| Sumario: | Uno de los objetivos de la minería de datos es la clasificación, la cual tiene como fin clasificar una variable dentro de una de las categorías de una clase. En este trabajo se consideraron variables meteorológicas de la estación cumandá. con el objetivo de determinar el modelo adecuado al conjunto de datos, se aplicaron los modelos de clasificación : Naive Bayes, CN2 Rule Induction , K-NN, Tree y Random Forest; así como también los métodos que modifican los parámetros asociados al clasificador: Cross validation, Random sampling , leave one out y test on train data . mediante el software orange canvas se calcularon las medidas de rendimiento, classification Accuary , Precisión Global y Sensibilidad . Se concluyó que los clasificadores naive bayes , cn 2 rule induction y K-nn presentaron valores superiores al 75% de instancias correcta- mente clasificadas. El árbol de decisión y el Bosque Aleatorio superaron el 80%. En cuanto a los métodos que permiten modificar los parámetros asociados al clasificador se determinó que Validación Cruzada, presentó mejores resultados en todas las aplicaciones. La mayor precisión se alcanza en el clasificador bosque aleatorio, con un 83.9% aplicando validación cruzada, seguido por el muestreo aleatorio simple con un porcentaje del 83.1% de verdaderos positivos entre los casos clasificados como positivos. |
|---|