# AdaBoost - Adaptative Boosting
# Clasifica clases preestablecidas
# No tiene requerimientos para las variables
 
library(adabag)
data(iris)
 
# Selección de una submuestra de 105 (el 70% de los datos)
set.seed(101)
iris.indices <- sample(1:nrow(iris),size=105)
iris.entrenamiento <- iris[iris.indices,]
iris.test <- iris[-iris.indices,]
 
model <- boosting(Species ~ ., data = iris.entrenamiento)
 
# Importancia de cada variable
model$importance
 
# predict necesita el parámetro newdata
results <- predict(object = model, newdata=iris.test, type = "class")
 
results$confusion
 
# Correctamente clasificados
100 * sum(diag(results$confusion)) / sum(results$confusion)

> # AdaBoost - Adaptative Boosting
> # Clasifica clases preestablecidas
> # No tiene requerimientos para las variables
>
> library(adabag)
Loading required package: mlbench
> data(iris)
>
> # Selección de una submuestra de 105 (el 70% de los datos)
> set.seed(101)
> iris.indices <- sample(1:nrow(iris),size=105)
> iris.entrenamiento <- iris[iris.indices,]
> iris.test <- iris[-iris.indices,]
>
> model <- boosting(Species ~ ., data = iris.entrenamiento)
>
> # Importancia de cada variable
> model$importance
Petal.Length  Petal.Width Sepal.Length  Sepal.Width
    53.13676     24.46246     18.03078      4.37000
>
> # predict necesita el parámetro newdata
> results <- predict(object = model, newdata=iris.test, type = "class")
>
> results$confusion
               Observed Class
Predicted Class setosa versicolor virginica
     setosa         15          0         0
     versicolor      0         11         3
     virginica       0          1        15
 
> 100 * sum(diag(results$confusion)) / sum(results$confusion)
[1] 91.11111