# Bootstrapped Aggregation
# Crea varios modelos a partir de submuestras que luego une en uno
# Las variables independientes y dependientes pueden ser
# cuantitativas o cualitativas
 
library(ipred)
# Cargar datos
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,]
 
# Ajustar modelo
ajuste <- bagging(Species~., data=iris.entrenamiento)
 
# summary(ajuste)
# Hacer predicciones
predicciones <- predict(ajuste, newdata=iris.test, type="class")
# Tabla de confusión
tabla <- table(predicciones, iris.test$Species)
tabla
 
# % Correctamente clasificado
100 * sum(diag(tabla)) / sum(tabla)
> # Bootstrapped Aggregation
> # Crea varios modelos a partir de submuestras que luego une en uno
> # Las variables independientes y dependientes pueden ser
> # cuantitativas o cualitativas
>
> library(ipred)
 
Attaching package: ‘ipred’
 
The following object is masked from ‘package:adabag’:
 
    bagging
 
> # Cargar datos
> 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,]
>
> # Ajustar modelo
> ajuste <- bagging(Species~., data=iris.entrenamiento)
>
> # summary(ajuste)
> # Hacer predicciones
> predicciones <- predict(ajuste, newdata=iris.test, type="class")
> # Tabla de confusión
> tabla <- table(predicciones, iris.test$Species)
> tabla
 
predicciones setosa versicolor virginica
  setosa         15          0         0
  versicolor      0         11         3
  virginica       0          1        15
>
> # % Correctamente clasificado
> 100 * sum(diag(tabla)) / sum(tabla)
[1] 91.11111