Análisis por kernels de la relación entre el grado de consistencia y la calidad de la

En este epígrafe se analizará para cada uno de los kernels si existe relación entre el cambio de consistencia y la calidad de la clasificación.

3.2.1

Kernel RBF

En el capítulo 2 se observó una mejora considerable en cuanto a la consistencia de los datos al transformar los conjuntos de datos usando el kernel RBF.A pesar de ello, al usar el clasificador Logistic Regresion los resultados no fueron buenos, notándose un marcado deterioro en cuanto a la calidad de la clasificación. En la tabla 8 se analiza la relación entre el grado de consistencia y la calidad de la clasificación no observándose dicha relacion. Al analizar los resultados en cuanto a la clasificación según la magnitud del cambio en la consistencia (tabla 9) se hace interesante el hecho de que con pequeñas diferencias en la consistencia de los datos se obtuvieron mejores resultados con el clasificador Logistic Regresion que cuando el cambio es mucho más grande.

Mejor Clasificación Peor Clasificación

Mejor Consistencia 8 9

Peor Consistencia 2 3

Tabla 8 Relación entre el cambio en el grado de consistencia y la calidad de la clasificación luego de usar el kernel RBF

CAPÍTULO 3. ANÁLISIS DE LA RELACIÓN ENTRE EL CAMBIO EN EL GRADO DE CONSISTENCIA Y LA CALIDAD DE LA CLASIFICACIÓN EN LOS MODELOS TRANSFORMADOS

Diferencia(rango) Mejor Clasificación Peor Clasificación

diferencia < 0 0 4

0 < diferencia< 0.1 5 2

0.1 < diferencia< 0.2 2 2

0.2 < diferencia< 0.3 1 1

0.3 > diferencia 1 4

Tabla 9 Relación entre la magnitud del cambio en el grado de consistencia y la calidad de la clasificación luego de usar el kernel RBF

Después de este análisis podemos afirmar que no existe evidencia que indique que existe una relación entre los cambios en el grado de consistencia y en la calidad del aprendizaje luego de transformar los datos usando el kernel RBF.

3.2.2

Kernel Polinomial de grado 2

En el capítulo 2 no se observó una mejora considerable en cuanto a la consistencia de los datos al transformar los conjuntos de datos usando el kernel Polinomial de grado 2.

Al usar el clasificador Logistic Regresion los resultados fueron muy malos, notándose un marcado deterioro en cuanto a la calidad de la clasificación en la casi todos los conjuntos de datos transformados.

En la tabla 10 se presenta la Relación entre el cambio en el grado de consistencia y la calidad de la clasificación luego de usar el kernel Polinomial de grado 2.Los resultados expuestos en dicha tabla indican que no existe relación entre el cambio en el grado de consistencia de los datos y en la calidad del aprendizaje al transformar los datos usando el kernel Polinomial de grado 2.

CAPÍTULO 3. ANÁLISIS DE LA RELACIÓN ENTRE EL CAMBIO EN EL GRADO DE CONSISTENCIA Y LA CALIDAD DE LA CLASIFICACIÓN EN LOS MODELOS TRANSFORMADOS

Mejor Clasificación Peor Clasificación

Mejor Consistencia 2 11

Peor Consistencia 0 9

Tabla 10 Relación entre el cambio en el grado de consistencia y la calidad de la clasificación luego de usar el kernel Polinomial de grado 2

En la tabla 11 se presentan los resultados en cuanto a la clasificación según la magnitud del cambio en la consistencia.

Diferencia(rango) Mejor Clasificación Peor Clasificación

diferencia < 0 0 9

0 < diferencia < 0.1 0 3

0.1 < diferencia < 0.2 2 2

0.2 < diferencia < 0.3 0 3

0.3 > diferencia 0 3

Tabla 11 Relación entre la magnitud del cambio en el grado de consistencia y la calidad de la clasificación luego de usar el kernel Polinomial de grado 2

CAPÍTULO 3. ANÁLISIS DE LA RELACIÓN ENTRE EL CAMBIO EN EL GRADO DE CONSISTENCIA Y LA CALIDAD DE LA CLASIFICACIÓN EN LOS MODELOS TRANSFORMADOS

Después de este análisis podemos afirmar que no existe evidencia que indique que existe una relación entre los cambios en el grado de consistencia y en la calidad del aprendizaje luego de transformar los datos usando el kernel Polinomial de grado 2.

3.2.3

Kernel Polinomial de grado 3

En el caso del Kernel Polinomial de grado 3 (figura 11 y figura 12) se observa la misma tendencia que se observó cuando analizamos el kernel Polinomial de grado 2.

En el capítulo 2 se observó una mejora considerable en cuanto a la consistencia de los datos al transformar los conjuntos de datos usando el kernel Polinomial de grado 3.Sin embargo al usar el clasificador Logistic Regresion los resultados fueron muy malos, notándose un marcado deterioro en cuanto a la calidad de la clasificación en la casi todos los conjuntos de datos transformados.

En la tabla 12 se muestra la Relación entre el cambio en el grado de consistencia y la calidad de la clasificación luego de usar el kernel Polinomial de grado 3 .Este análisis no indica que exista esta relación y al analizar los resultados en cuanto a la clasificación según la magnitud del cambio en la consistencia (tabla 13) tampoco se observa ninguna relación entre la consistencia de los datos y la calidad de la clasificación de los datos transformados mediante el kernel Polinomial de grado 3.

Mejor Clasificación Peor Clasificación

Mejor Consistencia 3 16

Peor Consistencia 0 7

Tabla 12 Relación entre el cambio en el grado de consistencia y la calidad de la clasificación luego de usar el kernel Polinomial de grado 3

CAPÍTULO 3. ANÁLISIS DE LA RELACIÓN ENTRE EL CAMBIO EN EL GRADO DE CONSISTENCIA Y LA CALIDAD DE LA CLASIFICACIÓN EN LOS MODELOS TRANSFORMADOS

Consistencia Mejor Clasificación Peor Clasificación

diferencia < 0 0 7

0 < diferencia < 0.1 1 3

0.1 < diferencia < 0.2 0 1

0.2 < diferencia < 0.3 1 3

0.3 > diferencia 1 5

Tabla 13 Relación entre la magnitud del cambio en el grado de consistencia y la calidad de la clasificación luego de usar el kernel Polinomial de grado 3

Después de este análisis podemos afirmar que no existe evidencia que indique que existe una relación entre los cambios en el grado de consistencia y en la calidad del aprendizaje luego de transformar los datos usando el kernel Polinomial de grado 3