3 Theoretical background
3.4 Internet addiction
3.4.1 Theoretical frameworks
Había seis hombres de Indostán muy propensos a aprender, quienes fueron a ver
el elefante (A pesar de que todos ellos eran ciegos), para que cada uno de
ellos por observación pudieran saciar sus intelectos ellos concluyen que el
elefante es como una pared, una víbora, una lanza, un árbol, un abanico o una
soga dependiendo de la parte que tocaron. Los hombres debaten acaloradamente.
Para el uso del algoritmo de ensamble usaremos diversas opiniones de los
clasificadores anteriormente usados lo cual mejorará la clasificación pero
hará más lento el proceso de decisión, la implementación de Weka.
Aunque en muchas aplicaciones las redes neuronales son una herramienta
poderosa, en problemas de difícil resolución una única red resulta
insuficiente. Para solventar esta dificultad, los conjuntos de redes
neuronales proponen combinar diferentes redes de modo que se forme un
conjunto capaz de resolver mejor el problema en cuestión, proporcionando,
además, un diseño más sencillo y más fácilmente comprensible. Entre los
conjuntos de redes neuronales destacan los métodos de "Boosting" y,
especialmente, el algoritmo "AdaBoost".
Esquema de algoritmo Real AdaBoostEl algoritmo AdaBoost propone entrenar
iterativamente una serie de clasificadores base, de tal modo que cada nuevo
clasificador preste mayor atención a los datos clasificados erróneamente por
los clasificadores anteriores, y combinarlos de tal modo que se obtenga un
clasificador con elevadas prestaciones. Para ello, durante una serie de
iteraciones entrena un clasificador que implementa una función asignándole un
peso de salida, y lo añade al conjunto de modo que la salida global del
sistema se obtenga como combinación lineal ponderada de todos los
clasificadores base.
Para conseguir que cada nuevo clasificador preste mayor atención a los datos
más erróneos se emplea una función de énfasis que pondera la importancia de
cada dato durante el entrenamiento del clasificador. El análisis de esta
función de énfasis nos ha permitido descomponerla en el producto de dos
términos, uno relacionado con el error cuadrático de las muestras y otro
asociado con la proximidad de estas a la frontera y, consecuentemente,
generalizar la estructura de la función de énfasis del Adaboost,
introduciendo un parámetro de mezcla ajustable, λ, para controlar el
compromiso entre los dos términos de énfasis.
Proyecto de Investigación II Inteligencia Artificial Pag 44
=== Run information ===
Scheme:weka.classifiers.meta.AdaBoostM1 -P 100 -S 1 -I 10 -W
weka.classifiers.trees.DecisionStump
Relation: iris
Instances: 150
Attributes: 5
sepallength
sepalwidth
petallength
petalwidth
class
Test mode:split 75.0% train, remainder test
=== Classifier model (full training set) ===
AdaBoostM1: Base classifiers and their weights:
Decision Stump
Classifications
petallength <= 2.45 : Iris-setosa
petallength > 2.45 : Iris-versicolor
petallength is missing : Iris-setosa
Class distributions
petallength <= 2.45
Iris-setosa Iris-versicolor Iris-virginica
1.0 0.0 0.0
petallength > 2.45
Iris-setosa Iris-versicolor Iris-virginica
0.0 0.5 0.5
petallength is missing
Iris-setosa Iris-versicolor Iris-virginica
0.3333333333333333 0.3333333333333333 0.3333333333333333
Weight: 0.69
Decision Stump
Proyecto de Investigación II Inteligencia Artificial Pag 45
Classifications
petallength <= 2.45 : Iris-setosa
petallength > 2.45 : Iris-virginica
petallength is missing : Iris-virginica
Class distributions
petallength <= 2.45
Iris-setosa Iris-versicolor Iris-virginica
1.0 0.0 0.0
petallength > 2.45
Iris-setosa Iris-versicolor Iris-virginica
0.0 0.3333333333333333 0.6666666666666667
petallength is missing
Iris-setosa Iris-versicolor Iris-virginica
0.25 0.25 0.5000000000000001
Weight: 1.1
Decision Stump
Classifications
petalwidth <= 1.75 : Iris-versicolor
petalwidth > 1.75 : Iris-virginica
petalwidth is missing : Iris-versicolor
Class distributions
petalwidth <= 1.75
Iris-setosa Iris-versicolor Iris-virginica
0.24154589371980675 0.7101449275362319 0.04830917874396136
petalwidth > 1.75
Iris-setosa Iris-versicolor Iris-virginica
0.0 0.032258064516129024 0.967741935483871
petalwidth is missing
Iris-setosa Iris-versicolor Iris-virginica
0.16666666666666666 0.5 0.33333333333333337
Proyecto de Investigación II Inteligencia Artificial Pag 46
Decision Stump
Classifications
petallength <= 2.45 : Iris-setosa
petallength > 2.45 : Iris-versicolor
petallength is missing : Iris-setosa
Class distributions
petallength <= 2.45
Iris-setosa Iris-versicolor Iris-virginica
1.0 0.0 0.0
petallength > 2.45
Iris-setosa Iris-versicolor Iris-virginica
2.4541772123292936E-17 0.5536309127248501 0.44636908727514996
petallength is missing
Iris-setosa Iris-versicolor Iris-virginica
0.3968253968253968 0.33393610608800484 0.2692384970865984
Weight: 1.0
Decision Stump
Classifications
petalwidth <= 0.8 : Iris-setosa
petalwidth > 0.8 : Iris-virginica
petalwidth is missing : Iris-virginica
Class distributions
petalwidth <= 0.8
Iris-setosa Iris-versicolor Iris-virginica
1.0 0.0 0.0
petalwidth > 0.8
Iris-setosa Iris-versicolor Iris-virginica
4.876852104094112E-17 0.3136440837893929 0.6863559162106071
petalwidth is missing
Iris-setosa Iris-versicolor Iris-virginica
Proyecto de Investigación II Inteligencia Artificial Pag 47
Weight: 1.22
Decision Stump
Classifications
petallength <= 2.45 : Iris-setosa
petallength > 2.45 : Iris-versicolor
petallength is missing : Iris-versicolor
Class distributions
petallength <= 2.45
Iris-setosa Iris-versicolor Iris-virginica
1.0 0.0 0.0
petallength > 2.45
Iris-setosa Iris-versicolor Iris-virginica
-1.2574765214077044E-17 0.6067682992755968 0.39323170072440317
petallength is missing
Iris-setosa Iris-versicolor Iris-virginica
0.1759622238061291 0.5 0.324037776193871
Weight: 0.74
Decision Stump
Classifications
petallength <= 4.85 : Iris-versicolor
petallength > 4.85 : Iris-virginica
petallength is missing : Iris-virginica
Class distributions
petallength <= 4.85
Iris-setosa Iris-versicolor Iris-virginica
0.2517002096709582 0.660989158028418 0.08731063230062384
petallength > 4.85
Iris-setosa Iris-versicolor Iris-virginica
1.379474925594973E-17 0.058064332648205416 0.9419356673517946
petallength is missing
Iris-setosa Iris-versicolor Iris-virginica
Proyecto de Investigación II Inteligencia Artificial Pag 48
Weight: 1.37
Decision Stump
Classifications
petallength <= 2.45 : Iris-setosa
petallength > 2.45 : Iris-virginica
petallength is missing : Iris-virginica
Class distributions
petallength <= 2.45
Iris-setosa Iris-versicolor Iris-virginica
1.0 0.0 0.0
petallength > 2.45
Iris-setosa Iris-versicolor Iris-virginica
-2.17703546955402E-18 0.4168896637524031 0.5831103362475969
petallength is missing
Iris-setosa Iris-versicolor Iris-virginica
0.32003984920368916 0.28346835863050734 0.39649179216580344
Weight: 0.93
Decision Stump
Classifications
petallength <= 2.45 : Iris-setosa
petallength > 2.45 : Iris-versicolor
petallength is missing : Iris-versicolor
Class distributions
petallength <= 2.45
Iris-setosa Iris-versicolor Iris-virginica
1.0 0.0 0.0
petallength > 2.45
Iris-setosa Iris-versicolor Iris-virginica
3.621292691813957E-17 0.6437704901626133 0.35622950983738655
petallength is missing
Proyecto de Investigación II Inteligencia Artificial Pag 49
Iris-setosa Iris-versicolor Iris-virginica
0.2233256919345557 0.4999999999999997 0.27667430806544463
Weight: 0.96
Decision Stump
Classifications
petallength <= 2.45 : Iris-setosa
petallength > 2.45 : Iris-virginica
petallength is missing : Iris-virginica
Class distributions
petallength <= 2.45
Iris-setosa Iris-versicolor Iris-virginica
1.0 0.0 0.0
petallength > 2.45
Iris-setosa Iris-versicolor Iris-virginica
1.1378476401045689E-17 0.4087218990793083 0.5912781009206917
petallength is missing
Iris-setosa Iris-versicolor Iris-virginica
0.15437422894330288 0.3456257710566977 0.4999999999999995
Weight: 0.64
Number of performed Iterations: 10
Time taken to build model: 0.05 seconds
=== Evaluation on test split ===
=== Summary ===
Correctly Classified Instances 35 94.5946 %
Incorrectly Classified Instances 2 5.4054 %
Kappa statistic 0.9187
Mean absolute error 0.0868
Root mean squared error 0.1734
Relative absolute error 19.5118 %
Root relative squared error 36.7342 %
Proyecto de Investigación II Inteligencia Artificial Pag 50
Total Number of Instances 37
=== Detailed Accuracy By Class ===
TP Rate FP Rate Precision Recall F-Measure ROC Area Class
1 0 1 1 1 1 Iris-setosa
1 0.083 0.867 1 0.929 0.984 Iris-versicolor
0.846 0 1 0.846 0.917 0.984 Iris-virginica
Weighted Avg. 0.946 0.029 0.953 0.946 0.946 0.989
=== Confusion Matrix ===
a b c <-- classified as
11 0 0 | a = Iris-setosa
0 13 0 | b = Iris-versicolor
0 2 11 | c = Iris-virginica
Proyecto de Investigación II Inteligencia Artificial Pag 51
