search for: balanceado

Hola, ¿Alguien sabe cómo lidia la función aov con diseño no balanceado? ¿Utiliza el las funciones de suma de cuadrados type II ? Gracias!! [[alternative HTML version deleted]]

...lt;-sample(1:1500,1500*0.7) train<-datos[numeros,] test<-datos[-numeros,] #modeloRF modelo.rf<-randomForest(respuesta~,train) prediccion<-predict(modelo.rf,test) fp<-table(prediccion,test$respuesta)[2,1] fn<-table(prediccion,test$respuesta)[1,2] error<-(fp+fn)/nrow(train.balanceado) resultado<-rbind(resultado,data.frame(error=error,modelo="rf")) #modelo SVM modelo.svm<-svm(respuesta~,train) prediccion<-predict(modelo.svm,test) fp<-table(prediccion,test$respuesta)[2,1] fn<-table(prediccion,test$respuesta)[1,2] error<-(fp+fn)/nrow(train.balancea...

...oRF <- list() > > > > modelo.rf<-randomForest(respuesta~,train) > > > > prediccion<-predict(modelo.rf,test) > > > > fp<-table(prediccion,test$respuesta)[2,1] > > fn<-table(prediccion,test$respuesta)[1,2] > > error<-(fp+fn)/nrow(train.balanceado) > > resultadoRF[[i]]<-rbind(resultado,data.frame(error=error,modelo="rf")) > > > > #modelo SVM > > > > resultadoSVM <- list() > > > > modelo.svm<-svm(respuesta~,train) > > > > prediccion<-predict(modelo.svm,test) > >...

...lt;-sample(1:1500,1500*0.7) train<-datos[numeros,] test<-datos[-numeros,] #modeloRF modelo.rf<-randomForest(respuesta~,train) prediccion<-predict(modelo.rf,test) fp<-table(prediccion,test$respuesta)[2,1] fn<-table(prediccion,test$respuesta)[1,2] error<-(fp+fn)/nrow(train.balanceado) resultado<-rbind(resultado,data.frame(error=error,modelo="rf")) #modelo SVM modelo.svm<-svm(respuesta~,train) prediccion<-predict(modelo.svm,test) fp<-table(prediccion,test$respuesta)[2,1] fn<-table(prediccion,test$respuesta)[1,2] error<-(fp+fn)/nrow(train.balancea...

...lt;-sample(1:1500,1500*0.7) train<-datos[numeros,] test<-datos[-numeros,] #modeloRF modelo.rf<-randomForest(respuesta~,train) prediccion<-predict(modelo.rf,test) fp<-table(prediccion,test$respuesta)[2,1] fn<-table(prediccion,test$respuesta)[1,2] error<-(fp+fn)/nrow(train.balanceado) resultado<-rbind(resultado,data.frame(error=error,modelo="rf")) #modelo SVM modelo.svm<-svm(respuesta~,train) prediccion<-predict(modelo.svm,test) fp<-table(prediccion,test$respuesta)[2,1] fn<-table(prediccion,test$respuesta)[1,2] error<-(fp+fn)/nrow(train.balancea...

...portante es quedarse con el modelo bueno, por ejemplo, imaginemos que queremos probar los siguientes algoritmos: RF, SVM, KNN, LDA.... Entonces hacemos lo siguiente: Probamos con todos ellos, para lo que se hacen particiones: Imaginemos que tengo un datasheet llamado datos, perfectamnte balanceado, sin datos faltantes, ni ruido ni nada asi. Entonces: for(i in 1:10){ train #saco el train de los datos test #saco el test de los datos pruebo RF, con diferentes configuaraciones (bucles j,k) pruebo SVM, con diferentes configuaraciones (bucles j,k) pruebo KNN pruebo LDA guardo resulta...

...importante es quedarse con el modelo bueno, por ejemplo, imaginemos que queremos probar los siguientes algoritmos: RF, SVM, KNN, LDA.... Entonces hacemos lo siguiente: Probamos con todos ellos, para lo que se hacen particiones: Imaginemos que tengo un datasheet llamado datos, perfectamnte balanceado, sin datos faltantes, ni ruido ni nada asi. Entonces: for(i in 1:10){ train #saco el train de los datos test #saco el test de los datos pruebo RF, con diferentes configuaraciones (bucles j,k) pruebo SVM, con diferentes configuaraciones (bucles j,k) pruebo KNN pruebo LDA guardo resultado...

...importante es quedarse con el modelo bueno, por ejemplo, imaginemos que queremos probar los siguientes algoritmos: RF, SVM, KNN, LDA.... Entonces hacemos lo siguiente: Probamos con todos ellos, para lo que se hacen particiones: Imaginemos que tengo un datasheet llamado datos, perfectamnte balanceado, sin datos faltantes, ni ruido ni nada asi. Entonces: for(i in 1:10){ train #saco el train de los datos test #saco el test de los datos pruebo RF, con diferentes configuaraciones (bucles j,k) pruebo SVM, con diferentes configuaraciones (bucles j,k) pruebo KNN pruebo LDA guardo resultado...

...; imaginemos que queremos probar los siguientes algoritmos: RF, SVM, KNN, > LDA.... > > > > Entonces hacemos lo siguiente: > > > > Probamos con todos ellos, para lo que se hacen particiones: > > > > Imaginemos que tengo un datasheet llamado datos, perfectamnte balanceado, > sin datos faltantes, ni ruido ni nada asi. Entonces: > > > > for(i in 1:10){ > > train #saco el train de los datos > > test #saco el test de los datos > > pruebo RF, con diferentes configuaraciones (bucles j,k) > > pruebo SVM, con diferentes configuaracione...

...ritmos: RF, SVM, KNN, >> LDA.... >> >> >> >> Entonces hacemos lo siguiente: >> >> >> >> Probamos con todos ellos, para lo que se hacen particiones: >> >> >> >> Imaginemos que tengo un datasheet llamado datos, perfectamnte balanceado, >> sin datos faltantes, ni ruido ni nada asi. Entonces: >> >> >> >> for(i in 1:10){ >> >> train #saco el train de los datos >> >> test #saco el test de los datos >> >> pruebo RF, con diferentes configuaraciones (bucles j,k) >>...

...gt; >>> >>> >>> Entonces hacemos lo siguiente: >>> >>> >>> >>> Probamos con todos ellos, para lo que se hacen particiones: >>> >>> >>> >>> Imaginemos que tengo un datasheet llamado datos, perfectamnte balanceado, >>> sin datos faltantes, ni ruido ni nada asi. Entonces: >>> >>> >>> >>> for(i in 1:10){ >>> >>> train #saco el train de los datos >>> >>> test #saco el test de los datos >>> >>> pruebo RF, con difer...

Buenos dias a tod en s, queria calcular los Std. Error de las interaciones en una anova para despues calcular los I.C, o directamente los I.C.. Se que para una matriz balanceada podemos hacer el modelo con aov() y despues con model.table (aov(), type="means", se=T) nos da los Std. Error de los efectos principales y las interaciones, pero cuando tenemos una matrix no balanceada

Mi matriz de datos inicial estaba muy desbalanceada (5% de la clase minoritaria), por lo que he creado con el algoritmo SMOTE un dataset balanceado con el que he creado el modelo, y luego sobre ese modelo he creado la matriz de confusión con los datos originales. Respecto a lo que me comentas, Carlos, creo que además de todo lo que comentas, que está bien, en micaso es necesario también saber no sólo que variable influye sino como influye, y...

No no, eso lo he sacaod, es decir, tengo la matriz de confusión para las OK/NOK, lo que no entiendo es como extraer las conclusiones sobre el modelo, de cara a como afectan las variables. He seguido dos estrategias: 1-Crear arboles de clasificacion con las variables más importantes del random Forest, pero el modelo se empobrece bastante. 2- Sacar los partialPlot, para ver la influencia de cada