Práctica 1 de Minería de Datos - PoliformaT - UPV

Figura 30. Calidad del modelo generado para los datos de entrenamientoCon lo que tenemos un 96,5% de acierto. Es decir un error de sólo el 3,5% sobre los datos deentrenamiento. Este modelo es muchísimo mejor que sí sólo nos guiamos por la distribución, que nosdaría un error de más del 50% (el 54,5% de las veces el medicamento DRUGY no es el adecuado).De todas maneras, es posible hacerlo mejor... ¿pero cómo? ¿con otro tipo de algoritmo deaprendizaje, una red neuronal, p.ej.?Es posible que otros modelos (p.ej. las redes neuronales) dieran mejor resultado (ya loprobaremos), pero el asunto aquí es que igual no hemos examinado suficientemente los datos deentrada.Vamos a analizar, con más detenimiento, los atributos de entrada del problema. Es posible que sepuedan establecer mejores modelos si combinamos algunos atributos. Podemos analizar pares deatributos utilizando diferentes gráficos.Para comparar los atributos discretos, el gráfico “Malla” suele ser conveniente. Creemos un nodo“malla” y enganchemos el nodo de fuentes de datos “drug1n” con él. Al editarlo, decimos que vamos aexaminar los campos discretos (Sex, BP, Cho, Drug):Figura 31. Configurando un nodo mallaUsaremos valores “Absolutos”. Ahora ejecutaremos el nodo:20