Hola ¿alguien sabe cómo aplicar el meotod de validación externa a un clúster realizado con kmeans?.

Adlopez

<?xml version="1.0" encoding="UTF-8"?><process version="9.2.000">

  <context>

    <input/>

    <output/>

    <macros/>

  </context>

  <operator activated="true" class="process" compatibility="9.2.000" expanded="true" name="Root" origin="GENERATED_SAMPLE">

    <parameter key="logverbosity" value="init"/>

    <parameter key="random_seed" value="1977"/>

    <parameter key="send_mail" value="never"/>

    <parameter key="notification_email" value=""/>

    <parameter key="process_duration_for_mail" value="30"/>

    <parameter key="encoding" value="SYSTEM"/>

    <process expanded="true">

      <operator activated="true" class="retrieve" compatibility="9.2.000" expanded="true" height="68" name="Retrieve Estudent Alcohol Consumption" width="90" x="45" y="85">

        <parameter key="repository_entry" value="//MachineLearningUniandes/Taller 3/Ejercicio1/Estudent Alcohol Consumption"/>

        <description align="center" color="yellow" colored="true" width="126">Importamos la data Student Alcohol Consumption, la cual no presenta datos ausentes, corresponde a un total de 395 registros y 34 columnas.</description>

      </operator>

      <operator activated="true" class="remove_duplicates" compatibility="9.2.000" expanded="true" height="103" name="Remove Duplicates" width="90" x="246" y="289">

        <parameter key="attribute_filter_type" value="all"/>

        <parameter key="attribute" value=""/>

        <parameter key="attributes" value=""/>

        <parameter key="use_except_expression" value="false"/>

        <parameter key="value_type" value="attribute_value"/>

        <parameter key="use_value_type_exception" value="false"/>

        <parameter key="except_value_type" value="time"/>

        <parameter key="block_type" value="attribute_block"/>

        <parameter key="use_block_type_exception" value="false"/>

        <parameter key="except_block_type" value="value_matrix_row_start"/>

        <parameter key="invert_selection" value="false"/>

        <parameter key="include_special_attributes" value="false"/>

        <parameter key="treat_missing_values_as_duplicates" value="false"/>

      </operator>

      <operator activated="true" breakpoints="after" class="nominal_to_numerical" compatibility="9.2.000" expanded="true" height="103" name="Nominal to Numerical" width="90" x="179" y="544">

        <parameter key="return_preprocessing_model" value="false"/>

        <parameter key="create_view" value="false"/>

        <parameter key="attribute_filter_type" value="all"/>

        <parameter key="attribute" value=""/>

        <parameter key="attributes" value=""/>

        <parameter key="use_except_expression" value="false"/>

        <parameter key="value_type" value="nominal"/>

        <parameter key="use_value_type_exception" value="false"/>

        <parameter key="except_value_type" value="file_path"/>

        <parameter key="block_type" value="single_value"/>

        <parameter key="use_block_type_exception" value="false"/>

        <parameter key="except_block_type" value="single_value"/>

        <parameter key="invert_selection" value="false"/>

        <parameter key="include_special_attributes" value="false"/>

        <parameter key="coding_type" value="unique integers"/>

        <parameter key="use_comparison_groups" value="false"/>

        <list key="comparison_groups"/>

        <parameter key="unexpected_value_handling" value="all 0 and warning"/>

        <parameter key="use_underscore_in_name" value="false"/>

      </operator>

      <operator activated="true" class="normalize" compatibility="9.2.000" expanded="true" height="103" name="Normalize" width="90" x="581" y="544">

        <parameter key="return_preprocessing_model" value="false"/>

        <parameter key="create_view" value="false"/>

        <parameter key="attribute_filter_type" value="all"/>

        <parameter key="attribute" value=""/>

        <parameter key="attributes" value=""/>

        <parameter key="use_except_expression" value="false"/>

        <parameter key="value_type" value="numeric"/>

        <parameter key="use_value_type_exception" value="false"/>

        <parameter key="except_value_type" value="real"/>

        <parameter key="block_type" value="value_series"/>

        <parameter key="use_block_type_exception" value="false"/>

        <parameter key="except_block_type" value="value_series_end"/>

        <parameter key="invert_selection" value="false"/>

        <parameter key="include_special_attributes" value="false"/>

        <parameter key="method" value="Z-transformation"/>

        <parameter key="min" value="0.0"/>

        <parameter key="max" value="1.0"/>

        <parameter key="allow_negative_values" value="false"/>

      </operator>

      <operator activated="true" class="select_attributes" compatibility="9.2.000" expanded="true" height="82" name="Select Attributes" width="90" x="983" y="544">

        <parameter key="attribute_filter_type" value="subset"/>

        <parameter key="attribute" value=""/>

        <parameter key="attributes" value="absences|activities = no|activities = yes|address = R|address = U|age|Alc|failures|famrel|famsize = GT3|famsize = LE3|famsup = no|famsup = yes|Fedu|Fjob = at_home|Fjob = health|Fjob = other|Fjob = services|Fjob = teacher|freetime|G1|G2|G3|goout|guardian = father|guardian = mother|guardian = other|health|higher = no|higher = yes|internet = no|internet = yes|Medu|Mjob = at_home|Mjob = health|Mjob = other|Mjob = services|Mjob = teacher|nursery = no|nursery = yes|paid = no|paid = yes|Pstatus = A|Pstatus = T|reason = course|reason = home|reason = other|reason = reputation|romantic = no|romantic = yes|school = GP|school = MS|schoolsup = no|schoolsup = yes|sex = F|sex = M|studytime|traveltime"/>

        <parameter key="use_except_expression" value="false"/>

        <parameter key="value_type" value="attribute_value"/>

        <parameter key="use_value_type_exception" value="false"/>

        <parameter key="except_value_type" value="time"/>

        <parameter key="block_type" value="attribute_block"/>

        <parameter key="use_block_type_exception" value="false"/>

        <parameter key="except_block_type" value="value_matrix_row_start"/>

        <parameter key="invert_selection" value="false"/>

        <parameter key="include_special_attributes" value="false"/>

      </operator>

      <operator activated="true" breakpoints="after" class="principal_component_analysis" compatibility="9.2.000" expanded="true" height="103" name="PCA" width="90" x="715" y="238">

        <parameter key="dimensionality_reduction" value="keep variance"/>

        <parameter key="variance_threshold" value="0.95"/>

        <parameter key="number_of_components" value="15"/>

      </operator>

      <operator activated="true" class="store" compatibility="9.2.000" expanded="true" height="68" name="Store" width="90" x="849" y="238">

        <parameter key="repository_entry" value="Datos normalizados"/>

      </operator>

      <operator activated="true" class="write_excel" compatibility="9.2.000" expanded="true" height="82" name="Write Excel" width="90" x="983" y="238">

        <parameter key="excel_file" value="C:\Users\LILIA\Documents\Diplomado Inteligencia de Negocios\Machine Learning\Talleres\Taller3\Punto1\Punto1 RapidMiner\Datos normalizados4.xlsx"/>

        <parameter key="file_format" value="xlsx"/>

        <parameter key="encoding" value="SYSTEM"/>

        <parameter key="sheet_name" value="RapidMiner Data"/>

        <parameter key="date_format" value="yyyy-MM-dd HH:mm:ss"/>

        <parameter key="number_format" value="#.0"/>

      </operator>

      <operator activated="true" class="concurrency:k_means" compatibility="9.2.000" expanded="true" height="82" name="Clustering" width="90" x="1117" y="34">

        <parameter key="add_cluster_attribute" value="true"/>

        <parameter key="add_as_label" value="false"/>

        <parameter key="remove_unlabeled" value="true"/>

        <parameter key="k" value="3"/>

        <parameter key="max_runs" value="10"/>

        <parameter key="determine_good_start_values" value="true"/>

        <parameter key="measure_types" value="NumericalMeasures"/>

        <parameter key="mixed_measure" value="MixedEuclideanDistance"/>

        <parameter key="nominal_measure" value="NominalDistance"/>

        <parameter key="numerical_measure" value="EuclideanDistance"/>

        <parameter key="divergence" value="SquaredEuclideanDistance"/>

        <parameter key="kernel_type" value="radial"/>

        <parameter key="kernel_gamma" value="1.0"/>

        <parameter key="kernel_sigma1" value="1.0"/>

        <parameter key="kernel_sigma2" value="0.0"/>

        <parameter key="kernel_sigma3" value="2.0"/>

        <parameter key="kernel_degree" value="3.0"/>

        <parameter key="kernel_shift" value="1.0"/>

        <parameter key="kernel_a" value="1.0"/>

        <parameter key="kernel_b" value="0.0"/>

        <parameter key="max_optimization_steps" value="100"/>

        <parameter key="use_local_random_seed" value="false"/>

        <parameter key="local_random_seed" value="1992"/>

      </operator>

      <operator activated="true" class="model_simulator:cluster_model_visualizer" compatibility="9.2.000" expanded="true" height="82" name="Cluster Model Visualizer (2)" width="90" x="1318" y="34"/>

      <connect from_op="Retrieve Estudent Alcohol Consumption" from_port="output" to_op="Remove Duplicates" to_port="example set input"/>

      <connect from_op="Remove Duplicates" from_port="example set output" to_op="Nominal to Numerical" to_port="example set input"/>

      <connect from_op="Nominal to Numerical" from_port="example set output" to_op="Normalize" to_port="example set input"/>

      <connect from_op="Normalize" from_port="example set output" to_op="Select Attributes" to_port="example set input"/>

      <connect from_op="Select Attributes" from_port="example set output" to_op="PCA" to_port="example set input"/>

      <connect from_op="PCA" from_port="original" to_op="Store" to_port="input"/>

      <connect from_op="Store" from_port="through" to_op="Write Excel" to_port="input"/>

      <connect from_op="Write Excel" from_port="through" to_op="Clustering" to_port="example set"/>

      <connect from_op="Clustering" from_port="cluster model" to_op="Cluster Model Visualizer (2)" to_port="model"/>

      <connect from_op="Clustering" from_port="clustered set" to_op="Cluster Model Visualizer (2)" to_port="clustered data"/>

      <connect from_op="Cluster Model Visualizer (2)" from_port="visualizer output" to_port="result 1"/>

      <connect from_op="Cluster Model Visualizer (2)" from_port="model output" to_port="result 2"/>

      <portSpacing port="source_input 1" spacing="0"/>

      <portSpacing port="sink_result 1" spacing="0"/>

      <portSpacing port="sink_result 2" spacing="0"/>

      <portSpacing port="sink_result 3" spacing="0"/>

      <description align="center" color="yellow" colored="true" height="179" resized="true" width="265" x="507" y="312">&lt;br&gt; &lt;br&gt; &lt;br/&gt;Con base en la informaci&amp;#243;n anterior procedemos a aplicar el algoritmo PCA al dataset, mediante el par&amp;#225;metro variance_threshold del 0.95 eliminando todos los componentes con varianza mayor a este rango.</description>

      <description align="center" color="yellow" colored="true" height="275" resized="true" width="349" x="70" y="581">&lt;br&gt; &lt;br&gt; &lt;br&gt; &lt;br&gt; &lt;br&gt; Dado que el modelo a aplicar se basa en distancias, se requiere que las variables sean n&amp;#250;mericas, por lo cual pasamos los datos de las variables nominales a numericas con el metodo unique integers teniendo en cuenta las car&amp;#225;cteristicas de los atributos. Variables binomiales: school; sex; address; famsize; Pstatus; schoolsup; famsup; paid; activities; nursery; higher; internet; y romantic&lt;br&gt;variables polinomiales: Mjob;Fjob;reason y guardian</description>

      <description align="center" color="yellow" colored="true" height="92" resized="true" width="160" x="318" y="376">&lt;br/&gt;&lt;br/&gt;Eliminamos los posibles registros duplicados</description>

      <description align="center" color="yellow" colored="false" height="270" resized="true" width="364" x="460" y="584">&lt;br&gt; &lt;br&gt; &lt;br/&gt;&lt;br/&gt;Normalizamos la data mediante el m&amp;#233;todo z-transformation, la cual resta la media de los datos de todos los valores y luego los divide por la desviaci&amp;#243;n est&amp;#225;ndar, con lo cual la distribuci&amp;#243;n de los datos tiene una media de cero y una varianza de uno conservando la distribuci&amp;#243;n original de los datos pero menos influenciada por los valores at&amp;#237;picos.</description>

      <description align="center" color="yellow" colored="true" height="275" resized="true" width="281" x="1038" y="583">&lt;br&gt; &lt;br&gt; &lt;br/&gt;Teniendo en cuenta la lectura en la cual nos informan que el atributo Alc se encuentra construido a partir de los atributos Dalc y Walc, procedemos a eliminar estas ultimas variables. En la lectura igualmente retiran las vriables G1, G2, y G3, sin embargo inicialmente se dejan ya que consideramos que el consumo de alcohol si puede afectar directamente las calificaciones del estudiante y validaremos con PCA si el algoritmo las retira.</description>

      <description align="center" color="yellow" colored="true" height="164" resized="true" width="327" x="1099" y="104">&lt;br&gt; &lt;br&gt; Generamos los cluster para la informaci&amp;#243;n anterior de acuerdo con los par&amp;#225;metros que nos gener&amp;#243; el resultado en determinacion del numero de cluster y aplicamos el operador cluster Model visualizaci&amp;#243;n para visualizar corretamente los resultados de los cluster.</description>

    </process>

  </operator>

</process>

rfuentealba

Hola, @Adlopez

Tu pregunta no me queda clara, necesito más información para poder ayudarte.

Normalmente en los algoritmos de predicción o clasificación, lo que se hace es entrenar el algoritmo con el "súper-operador" Optimize Parameters, dentro del que se agrega otro súper-operador llamado "Cross Validation" o "Split Validation", según decidas. Dentro del operador de validación, se aplica en una parte el algoritmo y en otra parte la lectura.

Sin embargo, lo que estás aplicando es un PCA (Principal Component Analysis), del que podrías aplicar precisamente este tipo de validación al usar en conjunto con un algoritmo de predicción o clasificación, pero luego utilizas un algoritmo de Clustering del que, como es un algoritmo no supervisado, difícilmente puedes validar: el operador k-Means hace lo que piensa que es correcto, pero salvo elegir el valor de k no tienes mucho más que hacer.

En vez de efectuar una validación externa, lo que yo haría sería:

• En mi operador de Clustering, seleccionar add as Label.
• Luego, crear una Multiplicación de la salida de Clustering.
• Finalmente, esa multiplicación conectarla a un Decision Tree, que te ayude a explicar el contenido del clustering, más que a validarlo.

No tengo tus datos, por lo que no puedo ejecutar tu proceso, pero esta es la foto final de mis modificaciones.



Y esto es el XML de mi proceso:

<?xml version="1.0" encoding="UTF-8"?><process version="9.2.001">
  <context>
    <input/>
    <output/>
    <macros/>
  </context>
  <operator activated="true" class="process" compatibility="9.2.001" expanded="true" name="Root" origin="GENERATED_SAMPLE">
    <parameter key="logverbosity" value="init"/>
    <parameter key="random_seed" value="1977"/>
    <parameter key="send_mail" value="never"/>
    <parameter key="notification_email" value=""/>
    <parameter key="process_duration_for_mail" value="30"/>
    <parameter key="encoding" value="SYSTEM"/>
    <process expanded="true">
      <operator activated="true" class="retrieve" compatibility="9.2.001" expanded="true" height="68" name="Obtener Consumo de Alcohol" width="90" x="45" y="34">
        <parameter key="repository_entry" value="//MachineLearningUniandes/Taller 3/Ejercicio1/Estudent Alcohol Consumption"/>
        <description align="center" color="transparent" colored="false" width="126">Se importan los datos de consumo de alcohol de estudiantes, que cuenta con 395 registros y 34 columnas, sin datos nulos.</description>
      </operator>
      <operator activated="true" class="remove_duplicates" compatibility="9.2.001" expanded="true" height="103" name="Remover Duplicados" width="90" x="179" y="34">
        <parameter key="attribute_filter_type" value="all"/>
        <parameter key="attribute" value=""/>
        <parameter key="attributes" value=""/>
        <parameter key="use_except_expression" value="false"/>
        <parameter key="value_type" value="attribute_value"/>
        <parameter key="use_value_type_exception" value="false"/>
        <parameter key="except_value_type" value="time"/>
        <parameter key="block_type" value="attribute_block"/>
        <parameter key="use_block_type_exception" value="false"/>
        <parameter key="except_block_type" value="value_matrix_row_start"/>
        <parameter key="invert_selection" value="false"/>
        <parameter key="include_special_attributes" value="false"/>
        <parameter key="treat_missing_values_as_duplicates" value="false"/>
        <description align="center" color="transparent" colored="false" width="126">Se eliminan los posibles registros duplicados</description>
      </operator>
      <operator activated="true" breakpoints="after" class="nominal_to_numerical" compatibility="9.2.001" expanded="true" height="103" name="Nominal to Numerical" width="90" x="313" y="34">
        <parameter key="return_preprocessing_model" value="false"/>
        <parameter key="create_view" value="false"/>
        <parameter key="attribute_filter_type" value="all"/>
        <parameter key="attribute" value=""/>
        <parameter key="attributes" value=""/>
        <parameter key="use_except_expression" value="false"/>
        <parameter key="value_type" value="nominal"/>
        <parameter key="use_value_type_exception" value="false"/>
        <parameter key="except_value_type" value="file_path"/>
        <parameter key="block_type" value="single_value"/>
        <parameter key="use_block_type_exception" value="false"/>
        <parameter key="except_block_type" value="single_value"/>
        <parameter key="invert_selection" value="false"/>
        <parameter key="include_special_attributes" value="false"/>
        <parameter key="coding_type" value="unique integers"/>
        <parameter key="use_comparison_groups" value="false"/>
        <list key="comparison_groups"/>
        <parameter key="unexpected_value_handling" value="all 0 and warning"/>
        <parameter key="use_underscore_in_name" value="false"/>
        <description align="center" color="transparent" colored="false" width="126">El modelo a aplicar se basa en distancias, por lo que se requiere que las variables sean n&amp;#250;mericas. Para esto, se pasan los datos de las variables nominales a numericas con el m&amp;#233;todo de enteros &amp;#250;nicos, teniendo en cuenta las car&amp;#225;cteristicas de los atributos.</description>
      </operator>
      <operator activated="true" class="normalize" compatibility="9.2.001" expanded="true" height="103" name="Normalize" width="90" x="447" y="34">
        <parameter key="return_preprocessing_model" value="false"/>
        <parameter key="create_view" value="false"/>
        <parameter key="attribute_filter_type" value="all"/>
        <parameter key="attribute" value=""/>
        <parameter key="attributes" value=""/>
        <parameter key="use_except_expression" value="false"/>
        <parameter key="value_type" value="numeric"/>
        <parameter key="use_value_type_exception" value="false"/>
        <parameter key="except_value_type" value="real"/>
        <parameter key="block_type" value="value_series"/>
        <parameter key="use_block_type_exception" value="false"/>
        <parameter key="except_block_type" value="value_series_end"/>
        <parameter key="invert_selection" value="false"/>
        <parameter key="include_special_attributes" value="false"/>
        <parameter key="method" value="Z-transformation"/>
        <parameter key="min" value="0.0"/>
        <parameter key="max" value="1.0"/>
        <parameter key="allow_negative_values" value="false"/>
        <description align="center" color="transparent" colored="false" width="126">Normalizamos la data mediante el m&amp;#233;todo z-transformation, la cual resta la media de los datos de todos los valores y luego los divide por la desviaci&amp;#243;n est&amp;#225;ndar, con lo cual la distribuci&amp;#243;n de los datos tiene una media de cero y una varianza de uno conservando la distribuci&amp;#243;n original de los datos pero menos influenciada por los valores at&amp;#237;picos.</description>
      </operator>
      <operator activated="true" class="select_attributes" compatibility="9.2.001" expanded="true" height="82" name="Select Attributes" width="90" x="581" y="34">
        <parameter key="attribute_filter_type" value="subset"/>
        <parameter key="attribute" value=""/>
        <parameter key="attributes" value="absences|activities = no|activities = yes|address = R|address = U|age|Alc|failures|famrel|famsize = GT3|famsize = LE3|famsup = no|famsup = yes|Fedu|Fjob = at_home|Fjob = health|Fjob = other|Fjob = services|Fjob = teacher|freetime|G1|G2|G3|goout|guardian = father|guardian = mother|guardian = other|health|higher = no|higher = yes|internet = no|internet = yes|Medu|Mjob = at_home|Mjob = health|Mjob = other|Mjob = services|Mjob = teacher|nursery = no|nursery = yes|paid = no|paid = yes|Pstatus = A|Pstatus = T|reason = course|reason = home|reason = other|reason = reputation|romantic = no|romantic = yes|school = GP|school = MS|schoolsup = no|schoolsup = yes|sex = F|sex = M|studytime|traveltime"/>
        <parameter key="use_except_expression" value="false"/>
        <parameter key="value_type" value="attribute_value"/>
        <parameter key="use_value_type_exception" value="false"/>
        <parameter key="except_value_type" value="time"/>
        <parameter key="block_type" value="attribute_block"/>
        <parameter key="use_block_type_exception" value="false"/>
        <parameter key="except_block_type" value="value_matrix_row_start"/>
        <parameter key="invert_selection" value="false"/>
        <parameter key="include_special_attributes" value="false"/>
        <description align="center" color="transparent" colored="false" width="126">Se informa que el atributo ALC se construye a partir de los atributos Dalc y Walc. Se procede a eliminar estas &amp;#250;ltimas variables. En la lectura igualmente retiran las variables G1, G2, y G3, sin embargo inicialmente se dejan ya que consideramos que el consumo de alcohol si puede afectar directamente las calificaciones del estudiante y validaremos con PCA si el algoritmo las retira.</description>
      </operator>
      <operator activated="true" breakpoints="after" class="principal_component_analysis" compatibility="9.2.001" expanded="true" height="103" name="PCA" width="90" x="715" y="34">
        <parameter key="dimensionality_reduction" value="keep variance"/>
        <parameter key="variance_threshold" value="0.95"/>
        <parameter key="number_of_components" value="15"/>
        <description align="center" color="transparent" colored="false" width="126">Se aplica el an&amp;#225;lisis de componentes principales (PCA) a los datos obtenidos en este proceso, eliminando todos los componentes que tienen una varianza mayor a 0.95, ajustada mediante el par&amp;#225;metro &amp;quot;variance threshold&amp;quot;</description>
      </operator>
      <operator activated="true" class="store" compatibility="9.2.001" expanded="true" height="68" name="Almacenar Normalizados" width="90" x="849" y="34">
        <parameter key="repository_entry" value="Datos normalizados"/>
      </operator>
      <operator activated="true" class="write_excel" compatibility="9.2.001" expanded="true" height="82" name="Escribir Excel" width="90" x="983" y="34">
        <parameter key="excel_file" value="C:\Users\LILIA\Documents\Diplomado Inteligencia de Negocios\Machine Learning\Talleres\Taller3\Punto1\Punto1 RapidMiner\Datos normalizados4.xlsx"/>
        <parameter key="file_format" value="xlsx"/>
        <parameter key="encoding" value="SYSTEM"/>
        <parameter key="sheet_name" value="RapidMiner Data"/>
        <parameter key="date_format" value="yyyy-MM-dd HH:mm:ss"/>
        <parameter key="number_format" value="#.0"/>
      </operator>
      <operator activated="true" class="concurrency:k_means" compatibility="9.2.001" expanded="true" height="82" name="Clustering" width="90" x="1117" y="187">
        <parameter key="add_cluster_attribute" value="true"/>
        <parameter key="add_as_label" value="true"/>
        <parameter key="remove_unlabeled" value="true"/>
        <parameter key="k" value="3"/>
        <parameter key="max_runs" value="10"/>
        <parameter key="determine_good_start_values" value="true"/>
        <parameter key="measure_types" value="NumericalMeasures"/>
        <parameter key="mixed_measure" value="MixedEuclideanDistance"/>
        <parameter key="nominal_measure" value="NominalDistance"/>
        <parameter key="numerical_measure" value="EuclideanDistance"/>
        <parameter key="divergence" value="SquaredEuclideanDistance"/>
        <parameter key="kernel_type" value="radial"/>
        <parameter key="kernel_gamma" value="1.0"/>
        <parameter key="kernel_sigma1" value="1.0"/>
        <parameter key="kernel_sigma2" value="0.0"/>
        <parameter key="kernel_sigma3" value="2.0"/>
        <parameter key="kernel_degree" value="3.0"/>
        <parameter key="kernel_shift" value="1.0"/>
        <parameter key="kernel_a" value="1.0"/>
        <parameter key="kernel_b" value="0.0"/>
        <parameter key="max_optimization_steps" value="100"/>
        <parameter key="use_local_random_seed" value="false"/>
        <parameter key="local_random_seed" value="1992"/>
        <description align="center" color="transparent" colored="false" width="126">Se aplica el algoritmo de clustering (k-Means) en funci&amp;#243;n de los par&amp;#225;metros generados por el proceso de determinaci&amp;#243;n del n&amp;#250;mero K.</description>
      </operator>
      <operator activated="true" class="multiply" compatibility="9.2.001" expanded="true" height="103" name="Multiply" width="90" x="1251" y="238"/>
      <operator activated="true" class="model_simulator:cluster_model_visualizer" compatibility="9.2.001" expanded="true" height="82" name="Cluster Model Visualizer" width="90" x="1385" y="34">
        <description align="center" color="transparent" colored="false" width="126">Se aplica el operador Cluster Model Visualization, para obtener una representaci&amp;#243;n gr&amp;#225;fica del resultado del operador de Clustering.</description>
      </operator>
      <operator activated="true" class="concurrency:parallel_decision_tree" compatibility="9.2.001" expanded="true" height="103" name="Decision Tree" width="90" x="1385" y="340">
        <parameter key="criterion" value="gain_ratio"/>
        <parameter key="maximal_depth" value="10"/>
        <parameter key="apply_pruning" value="true"/>
        <parameter key="confidence" value="0.1"/>
        <parameter key="apply_prepruning" value="true"/>
        <parameter key="minimal_gain" value="0.01"/>
        <parameter key="minimal_leaf_size" value="2"/>
        <parameter key="minimal_size_for_split" value="4"/>
        <parameter key="number_of_prepruning_alternatives" value="3"/>
      </operator>
      <connect from_op="Obtener Consumo de Alcohol" from_port="output" to_op="Remover Duplicados" to_port="example set input"/>
      <connect from_op="Remover Duplicados" from_port="example set output" to_op="Nominal to Numerical" to_port="example set input"/>
      <connect from_op="Nominal to Numerical" from_port="example set output" to_op="Normalize" to_port="example set input"/>
      <connect from_op="Normalize" from_port="example set output" to_op="Select Attributes" to_port="example set input"/>
      <connect from_op="Select Attributes" from_port="example set output" to_op="PCA" to_port="example set input"/>
      <connect from_op="PCA" from_port="original" to_op="Almacenar Normalizados" to_port="input"/>
      <connect from_op="Almacenar Normalizados" from_port="through" to_op="Escribir Excel" to_port="input"/>
      <connect from_op="Escribir Excel" from_port="through" to_op="Clustering" to_port="example set"/>
      <connect from_op="Clustering" from_port="cluster model" to_op="Cluster Model Visualizer" to_port="model"/>
      <connect from_op="Clustering" from_port="clustered set" to_op="Multiply" to_port="input"/>
      <connect from_op="Multiply" from_port="output 1" to_op="Cluster Model Visualizer" to_port="clustered data"/>
      <connect from_op="Multiply" from_port="output 2" to_op="Decision Tree" to_port="training set"/>
      <connect from_op="Cluster Model Visualizer" from_port="visualizer output" to_port="result 1"/>
      <connect from_op="Cluster Model Visualizer" from_port="model output" to_port="result 2"/>
      <connect from_op="Decision Tree" from_port="model" to_port="result 3"/>
      <portSpacing port="source_input 1" spacing="0"/>
      <portSpacing port="sink_result 1" spacing="0"/>
      <portSpacing port="sink_result 2" spacing="0"/>
      <portSpacing port="sink_result 3" spacing="0"/>
      <portSpacing port="sink_result 4" spacing="0"/>
      <description align="center" color="yellow" colored="false" height="112" resized="true" width="181" x="43" y="317">Variables binominales school; sex; address; famsize; Pstatus; schoolsup; famsup; paid; activities; nursery; higher; internet; y romantic</description>
      <description align="left" color="yellow" colored="false" height="117" resized="true" width="196" x="43" y="616">Variables Polinominales:&lt;br&gt;&lt;br&gt;Mjob&lt;br&gt;Fjob&lt;br/&gt;Reason&lt;br&gt;Guardian</description>
    </process>
  </operator>
</process>

Espero que esto te ayude,

Rodrigo.

SGolbert

Hola,

comparto el post de Rodrigo, pegar directamente el proceso sin ninguna explicación hace a un muy pobre post. Quería remarcar que la validación se hace cuando se tiene un label (aprendizaje supervisado). En ese caso conviene usar modelos de aprendizaje supervisados, que van a proveer mucho mejores resultados. Ejemplos típicos son random forest y gradient boosted trees.

Salu2

SebaG