Análisis resultados

Cuando aplicas el algoritmo Naive Bayes en Weka utilizando un dataset como Iris, obtendrás una serie de resultados que te ayudarán a evaluar el rendimiento del modelo. Aquí te detallo qué esperar en los resultados y el significado de cada una de las métricas presentadas.

Interpretación de Resultados

Supongamos que obtienes los siguientes resultados tras aplicar Naive Bayes en el dataset Iris:

• Correctly Classified Instances: 147 (98%)
• Incorrectly Classified Instances: 3 (2%)
• Kappa Statistic: 0.96

Interpretación:

• El modelo tiene un alto rendimiento, clasificando correctamente el 98% de las instancias, lo que indica que es efectivo.
• Un Kappa de 0.96 sugiere que hay una fuerte concordancia entre las predicciones y las clases reales, indicando que el modelo está proporcionando resultados significativamente mejores que el azar.

Resumen General

1. Información del Ejecución
   • Esquema: Se utilizó el clasificador Naive Bayes de Weka.
   • Conjunto de Datos: Se está trabajando con el conjunto de datos Iris, que contiene 150 instancias y 5 atributos (4 características de las flores y 1 clase).
   • Modo de Prueba: Se utilizó la validación cruzada de 10 pliegues, lo que significa que el conjunto de datos se dividió en 10 partes, y el modelo fue entrenado y evaluado 10 veces, cada vez utilizando una parte diferente como conjunto de prueba y el resto como conjunto de entrenamiento.

Detalles del Modelo de Clasificación

1. Modelo del Clasificador
   • El modelo Naive Bayes utiliza distribuciones normales para estimar las probabilidades de cada clase (Iris-setosa, Iris-versicolor, Iris-virginica) basado en los atributos.
   • Para cada atributo (sepallength, sepalwidth, petallength, petalwidth), se presentan:
     • Mean (Media): El valor promedio de la característica para cada clase.
     • Std. Dev. (Desviación Estándar): Medida de la dispersión de los datos en torno a la media.
     • Weight Sum: El número de instancias de cada clase en el conjunto de entrenamiento.
     • Precision: Estimación de la precisión de la distribución normal para cada atributo y clase.

Resultados de Validación Cruzada

1. Resumen de la Validación Cruzada
   • Instancias Correctamente Clasificadas: 144 (96%)
   • Instancias Incorrectamente Clasificadas: 6 (4%)
   • Kappa Statistic: 0.94, que indica una fuerte concordancia entre la predicción del modelo y la clase real.
   • Mean Absolute Error: 0.0342, lo que sugiere que, en promedio, las predicciones del modelo están muy cerca de los valores reales.
   • Root Mean Squared Error: 0.155, una medida de la magnitud del error que penaliza más los errores más grandes.
   • Relative Absolute Error: 7.6997%, un indicador de qué tan lejos están las predicciones en comparación con la media.
   • Root Relative Squared Error: 32.8794%, otra métrica de comparación con la media.

Desglose de Precisión por Clase

1. Precisión Detallada por Clase
   • Iris-setosa:
     • TP Rate (Tasa de Verdaderos Positivos): 1.000, lo que significa que todas las instancias de Iris-setosa fueron clasificadas correctamente.
     • Precision: 1.000, indicando que todas las instancias clasificadas como Iris-setosa eran efectivamente de esta clase.
   • Iris-versicolor:
     • TP Rate: 0.960, 96% de las instancias fueron clasificadas correctamente.
     • Precision: 0.923, indica que el 92.3% de las instancias clasificadas como Iris-versicolor eran efectivas.
   • Iris-virginica:
     • TP Rate: 0.920, el 92% de las instancias fueron clasificadas correctamente.
     • Precision: 0.958, lo que significa que el 95.8% de las instancias clasificadas como Iris-virginica eran efectivas.

Matriz de Confusión

1. Matriz de Confusión
   • La matriz muestra cómo se clasificaron las instancias:

      a  b  c   <-- classified as
      50  0  0 |  a = Iris-setosa
       0 48  2 |  b = Iris-versicolor
       0  4 46 |  c = Iris-virginica
     

   • Iris-setosa: Todas las 50 instancias fueron correctamente clasificadas como setosa.
   • Iris-versicolor: 48 instancias fueron correctamente clasificadas como versicolor, mientras que 2 fueron clasificadas incorrectamente como virginica.
   • Iris-virginica: 46 instancias fueron correctamente clasificadas como virginica, pero 4 fueron clasificadas incorrectamente como versicolor.

Interpretación Final

Los resultados indican que el modelo Naive Bayes aplicado al conjunto de datos Iris es altamente efectivo, con una tasa de clasificación correcta del 96% y una excelente precisión para cada clase. La matriz de confusión revela que el modelo es particularmente bueno para clasificar Iris-setosa, mientras que hay un pequeño número de confusiones entre Iris-versicolor e Iris-virginica. En general, el modelo demuestra que es una buena opción para este tipo de clasificación, y las métricas adicionales sugieren que las predicciones son confiables y precisas.

Este análisis también resalta el hecho de que, aunque Naive Bayes es un modelo simple y basado en suposiciones, puede ser muy efectivo para problemas de clasificación donde las características están distribuidas de manera normal.