Professional Documents
Culture Documents
Unidad 3 Fase 5.
Presentado a:
Ing. Paola Andrea Mateus
Entregado por:
Cristian Fabián Arias Ordoñez
Código: 1.143.829.574
Grupo: 208054_4
Resultados
Clasificador Reales FP FN VN VP Precisión Exactitud
Imágenes 7 5 2 0 2 5 71% 77%
enfermas
Imágenes 2 4
sanas
𝑉𝑃
𝑷𝒓𝒆𝒄𝒊𝒔𝒊𝒐𝒏 = 𝑉𝑃+𝐹𝑃
5
= 0,71
5+2
𝑉𝑃+𝑉𝑁
𝑬𝒙𝒂𝒄𝒕𝒊𝒕𝒖𝒅 = 𝑉𝑃+𝐹𝑃+𝐹𝑁+𝑉𝑁
5+2 7
= 9 = 0,77
5+2+0+2
Sensibilidad
𝑉𝑃
𝑉𝑃𝑅 =
𝑉𝑃 + 𝐹𝑁
Especificidad
𝑉𝑁
𝑆𝑃𝐶 =
𝐹𝑃 + 𝑉𝑁
𝑉𝑁
𝒆𝒔𝒑𝒆𝒄𝒊𝒇𝒊𝒄𝒊𝒅𝒂𝒅 =
𝑉𝑁 + 𝐹𝑃
2 2
= 4 = 0,5
2+2
𝑉𝑃
𝑺𝑬𝑵𝑺𝑰𝑩𝑰𝑳𝑰𝑫𝑨𝑫 =
𝑉𝑃 + 𝐹𝑁
5 5
=5=1
5+0
1 𝑥 100 = 100%
Curva roc SVM.
Código
Grafica:
De acuerdo a la gráfica podemos ver que la línea azul es el clasificador que realizamos con
las hojas enfermas de la unidad pasada está por encima del límite que es la línea roja lo que
quiere decir que si podemos usar el clasificador si nos sirve ya que esta mas cerca del
clasificador perfecto que es la línea de color verde donde las coordenadas son 0,1 en el eje
X y eje Y
𝑉𝑃
𝑷𝒓𝒆𝒄𝒊𝒔𝒊𝒐𝒏 = 𝑉𝑃+𝐹𝑃
1
= 0,5
1+1
𝑉𝑃+𝑉𝑁
𝑬𝒙𝒂𝒄𝒕𝒊𝒕𝒖𝒅 =
𝑉𝑃+𝐹𝑃+𝐹𝑁+𝑉𝑁
1+4 5
= 10 = 0,5
1+1+4+4
Especificidad
𝑉𝑁
𝑆𝑃𝐶 = 𝐹𝑃+𝑉𝑁
4
𝑆𝑃𝐶 = 1+4 =0,8 = 80%
Como se puede observar la gráfica muestra que nuestro clasificador está en el límite de uso
para acercarlo más al clasificador perfecto nos tocaría jugar con el umbral y num pixel de
todas las hojas para acercarlo más a este resultado de perfección.
También ROC puede significar como una Característica Operativa Relativa porque es una
comparación de dos características operativas (VPR y FPR) según cambiamos el umbral para
la decisión
Al analizar la curva ROC, notamos que proporciona herramientas para seleccionar los
modelos posiblemente óptimos como la distribución de las dos clases sobre las que se decide.
La curva ROC es también independiente de la distribución de las clases en la población como
en diagnóstico, la prevalencia de una enfermedad en la población. El análisis ROC se
relaciona de forma directa y natural con el análisis de coste/beneficio en toma de decisiones
diagnósticas.
Si acomodamos esta información a nuestros resultados es importante definir el umbral y el
num pixel para acomodar y entrenar nuestra máquina para que verdaderamente nos arroje
los resultados correctos para analizar si las hojas que estamos analizando son sanas o
enfermas de acuerdo a las características de cada imagen.
Bibliografías.
Bovik, A. C. (2009). The Essential Guide to Image Processing. Amsterdam: Academic
Press, 2009. eBook Collection (EBSCOhost), pp. 69 - 100. Recuperado
de: http://bibliotecavirtual.unad.edu.co:2048/login?user=proveedor&pass=danue0a0&url=h
ttp://bibliotecavirtual.unad.edu.co:2051/login.aspx?direct=true&db=nlebk&AN=249002&l
ang=es&site=ehost-live
Mateus Abaunza, P. A. (26 de 07 de 2017). Unidad 3 - Análisis de resultados. Recuperado
el 06 de 07 de 2017, de Unidad 3 - Análisis de resultados:
http://hdl.handle.net/10596/12674