Machine Translated by Google Control de lámpara inteligente basado en el comportamiento del usuario para Dos lámparas usando clasificación y regresión Algoritmo de árbol (CART) Aditya Nugraha Escuela de Ingeniería Eléctrica Telkom University Bandung, Indonesia [email protected] Randy Efra Saputra Escuela de Ingeniería Eléctrica Telkom University Bandung, Indonesia [email protected] Raudhatul Rafiqah Assyahiddini Escuela de Ingeniería Eléctrica Telkom University Bandung, Indonesia [email protected] c.id Resumen—En la época actual, las lámparas son equipos con los que cuentan la mayoría de las casas porque juegan un papel importante en la vida diaria. Cada año sigue aumentando la necesidad de vivienda, y eso repercute en el uso creciente de energía eléctrica, lo que se traduce en gastos excesivos. Un ejemplo de uso excesivo de electricidad es olvidarse de apagar las luces y otros equipos electrónicos al salir de casa. Esto se puede abordar automatizando el dispositivo en el hogar haciendo predicciones de acuerdo con los hábitos de la habitación o comúnmente denominado Smart Home. El método utilizado para las lámparas inteligentes es el algoritmo del árbol de clasificación y regresión (CART). Los datos de hábitos de usuario registrados se procesarán en un conjunto de datos de información y el sistema procesará los datos para hacer predicciones, luego el dispositivo recuperará los datos para que el dispositivo pueda funcionar de acuerdo con los hábitos de la habitación. Los resultados Casi Setianingsih Escuela de Ingeniería Eléctrica Telkom University Bandung, Indonesia [email protected] Nurhafidz Farid Abdul Aziz Escuela de Ingeniería Eléctrica Telkom University Bandung, Indonesia [email protected] university.ac.id En "Control de lámpara inteligente basado en el comportamiento del usuario para dos lámparas mediante el árbol de clasificación y regresión (CART) "Algoritmo" se convierte en la solución al problema de los sistemas domésticos inteligentes que se pueden utilizar para ahorrar electricidad. Este sistema funciona prediciendo el hábito de la habitación para que los dispositivos en el hogar puedan encenderse y apagarse automáticamente por sistema. El sistema será implementado usando la plataforma IoT para procesar y distribuir datos y resultados de entrenamiento de Algo II. TRABAJO RELACIONADO Hay bastantes estudios que hablan de árbol de clasificación y regresión. Li Miao (2017) usando el algoritmo CART para construir una aplicación para detectar intrusos. El algoritmo CART, cuando se ejecuta en el proceso de construcción del árbol de clasificación, el atributo obtenidos en la primera prueba fueron 93% en ambas lámparas, la continuo de discretización es el criterio de selección del mínimo de ganancia de Gini como punto de corte, y la dicotomía puede simplificar segunda prueba fue 88% en ambas lámparas, la tercera prueba fue 83% en la lámpara interna y 87% en la luz exterior. A partir de la el árbol de decisión y mejorar su eficiencia. El algoritmo CART se predicción, los resultados muestran que cuantos más datos, mayor será el resultado de precisión. combina con el algoritmo PCA para la detección de intrusiones en la red, pero para verificar el modelo utiliza el conjunto de datos KDD CUP Palabras clave: hogar inteligente, luz, CART, hábitos. I. INTRODUCCIÓN para analizar la plataforma de aprendizaje automático Scikit-learn. Esta investigación ha demostrado que el modelo puede identificar y mejorar de manera efectiva la precisión de la predicción del comportamiento de En la era actual, la tecnología se ha desarrollado muy rápidamente y esto ha tenido un efecto significativo en el sector inmobiliario. Uno ataque a la red. Para saber cómo identificar el ataque de subclase específico en una categoría grande [1]. de los cuales es el concepto de Smart Home. Smart Home proporciona un sistema de automatización para los electrodomésticos existentes en el hogar. Esta automatización se basa en la conciencia del contexto Neeraj Bhagarva, Sonia Dayma, Abishek Kumar y Pramod Singh (2017) investigan para abordar el algoritmo CART para predecir obtenida del monitoreo del entorno doméstico. En general, los pacientes con ataques cardíacos. El árbol de decisión normalmente se dispositivos eléctricos de la casa se controlan manualmente. Un aplica en la minería de datos para producir un marco que prediga el ejemplo es la lámpara incandescente que es muy útil para los usuarios valor del objeto o su variable dependiente, establecido en las diversas en la vida cotidiana. El problema es que a veces los usuarios se olvidan entradas o variables independientes, dentro de este modelo de clasificación podrá responder consultas más complejas en la predicción. de apagar las luces cuando salen de casa. Esto da como resultado el uso de energía eléctrica excesiva, que se espera que ahorre electricidad. de la enfermedad de ataque al corazón [2]. Por lo tanto, este sistema fue creado para que pueda encender y apagar las luces automáticamente mediante el estudio del comportamiento del Otra investigación sobre la aplicación del algoritmo CART Hui Yan, usuario. El sistema utilizará el sistema IoT con datos para enviar y Haiyan Hu y Ping Yu realizan (2019) una investigación sobre la guardar en Antares. El proceso de entrenamiento lo lleva a cabo la nube implementación del algoritmo CART en la tecnología de empuje de la de Antares para producir un sistema que pueda ser controlado información del servicio de agricultura inteligente. La tecnología de automáticamente. empuje se combinará de acuerdo con el árbol de decisión basado en el algoritmo CART para el conjunto de muestras para verificar y hacer 978-1-6654-8800-6/22/$31.00 ©2022 IEEE . 79 Licencia de uso autorizada limitada a: UNIVERSIDAD AUTONOMA METROPOLITANA. Descargado el 29 de noviembre de 2022 a las 21:48:56 UTC de IEEE Xplore. Se aplican restricciones. 2022 IEEE 8.ª Conferencia internacional sobre instrumentación, medición yaplicaciones inteligentes (ICSIMA) |978-1-6654-8800-6/22/$31.00 IEEE ©2022 |DOI: 10.1109/ ICSIMA55652.2022.9929036 Machine Translated by Google 2022 IEEE 8.ª Conferencia internacional sobre instrumentación, medición y aplicaciones inteligentes (ICSIMA2022) La decisión sobre la información y el protocolo XMPP basado en el servidor push generarán información de decisión recomendada para los usuarios de forma automática e inteligente. Este documento realiza el cálculo de la aplicación de fertilizantes y el algoritmo de diagnóstico y regulación y lo empuja al usuario en esta área, lo que mejora la eficiencia de la toma de decisiones de los usuarios y realiza una gestión inteligente y refinada de la agricultura [3]. )*+,-,*./ 012 3/0. 42*+)5 .6 .2*-++7 ,*.* 8 $%99%& : #& !%$; & | 9 $(" ($!<&! & )*+,-,*./ 012 3/0. 42*+)5 .= .2*-++7 ,*.* (4) (5) (6) En su investigación, Rong Tang y Xiaojun Zhang (2020) 8 $%99%& : #& !%$; & (7) | utilizaron algoritmos CART combinados con la selección de 9 $(" ($!<&! & características de Boruta para la clasificación de datos médicos, CART propuso hacer para clasificar el subconjunto de características y mejoró la precisión de la predicción. Al combinar el algoritmo CART y el algoritmo BORUTA para clasificar el C. Cartero informe de datos médicos, el sistema puede identificar y mejorar de manera efectiva la precisión de clasificación de los conjuntos de datos Postman médicoses [4].una herramienta que pueden utilizar los desarrolladores que crean API (interfaz de programación de aplicaciones) como herramientas para probar las API que se han creado. La función tercero MÉTODO DE INVESTIGACIÓN principal de Postman es como llamador API GUI (interfaz gráfica de El concepto principal de esta investigación es el diseño de una lámpara inteligente por sistema para automatizar el apagado/encendido usuario). Para que a los desarrolladores les resulte más fácil diseñar una puerta de en D. Antares de la lámpara al predecir el comportamiento del usuario al usar una lámpara. El conjunto de datos del registro de comportamiento del Antares es una plataforma que se utiliza para facilitar el desarrollo y diseño de un sistema basado en IoT (Internet de utilizando la plataforma IoT para procesar y distribuir datos y resultados de capacitación de Algorithm. las cosas). Antares es un producto de plataforma IoT de A. Hogar inteligente Telkom Indonesia. Hay muchos casos de IoT que se pueden realizar con Antares, como Smart Home, medición inteligente, El hogar inteligente es una combinación de redes de seguimiento de activos, construcción inteligente y muchos más [9]. comunicación conectadas a dispositivos domésticos para que usuario y se entrenó con el algoritmo CART. El sistema se implementará puedan ser monitoreados y controlados de forma remota. E. Clasificación de datos Smart Home es una rama de la informática ubicua y La clasificación predictiva es un método analítico utilizado para generalizada. Smart Home es un concepto de integración de formar un modelo que puede reflejar una clase de datos. El proceso varios servicios en el hogar usando el mismo sistema de comunicación [5]. de clasificación comienza dividiendo la colección de documentos en B. Árboles de Clasificación y Regresión (CART) dos partes principales, a saber, datos de entrenamiento y datos de El algoritmo CART (Árbol de clasificación y regresión) es uno de los árboles de decisión que fue propuesto por primera vez por Leo Breiman en 1984 y desarrollado para realizar análisis de clasificación en variables de respuesta nominales, ordinales y continuas. El algoritmo CART utiliza el GINI como medida de impureza para seleccionar un atributo. La selección de nodos en el CART es hacer que el nodo de impunidad sea lo más pequeño posible y elegir el GINI más pequeño [6]. 1ÿ (1) Con i defino una clase, p define la probabilidad y pi es la probabilidad de una clase i. El algoritmo CART tiene varios pasos desde el proceso de clasificación, hay Monitoreo del candidato en todas las variables predictoras, y la lista que contiene las ramas candidatas se llama la última rama prueba [7]. A partir del conjunto de entrenamiento que utiliza la clasificación de modelos específicos para determinar qué clase es de los datos de prueba, el resultado de este método es la predicción de diferentes maneras. Hay varios componentes en la clasificación de datos: a) Clase: Es una variable dependiente en forma de variable categórica de un modelo que presenta una etiqueta en un objeto después de haberlo clasificado. b) Predictor: Es una variable independiente indicada por el atributo del dato a clasificar en base a la clasificación de datos que se ha realizado. c) 3. Conjunto de entrenamiento: Conjunto de datos que contiene un valor de dos componentes y se clasifica en función de los predictores existentes. d) 4. Conjunto de prueba: Es un nuevo conjunto de datos donde los datos se clasificarán con el modelo creado previamente y se podrá evaluar la precisión candidata. Defina el valor de todos los últimos candidatos a sucursales calculando la cantidad de (s|t). de la clasificación. Determine la rama que tiene una coincidencia (s|t). Si el valor del nodo de decisión ya no existe, el algoritmo CART se detiene [7]. F. Matriz de confusión TABLA I. MATRIZ DE CONFUSIÓN La Bondad o la idoneidad (s|t) de la rama candidata s en el punto de decisión t, se define en la siguiente ecuación: ÿ| 2| (2) cual | es: | ÿ ! ps ( || | (3) 80 Licencia de uso autorizada limitada a: UNIVERSIDAD AUTONOMA METROPOLITANA. Descargado el 29 de noviembre de 2022 a las 21:48:56 UTC de IEEE Xplore. Se aplican restricciones. Machine Translated by Google 2022 IEEE 8.ª Conferencia internacional sobre instrumentación, medición y aplicaciones inteligentes (ICSIMA2022) Medir el rendimiento del proceso de clasificación del sistema. Los resultados obtenidos del proceso del método son precisión, recuperación y exactitud [10]. IV. DISEÑO DEL SISTEMA Y DESCRIPCIÓN GENERAL En la Fig. 2 la descripción general del dispositivo, use un microcontrolador WeMos D1 Mini conectado al módulo RTC para determinar el tiempo real. WeMos D1 Mini también tiene antena como módulo wifi que se puede usar para conectarse a internet a través de wifi. Una vez que el dispositivo se pueda conectar a la red de Internet, los datos del módulo RTC y los datos del estado de los A. Descripción general del sistema La figura 1 describe la ranura de una lámpara inteligente que utiliza un sistema IoT en su interior. Primero, la lámpara inteligente recuperará los datos en función del comportamiento del usuario, luego los datos se enviarán a Antares para su almacenamiento. Una vez guardados los datos, se realizará el proceso de entrenamiento sobre el programa que se ha creado. Los resultados de los datos de entrenamiento se envían luego a Antares en forma de línea de electrodomésticos de acuerdo con el comportamiento del usuario se cargarán en la Los datos en la nube se procesan para que puedan visualizarse en los teléfonos inteligentes Android. En los propios smartphones android se pueden controlar todas las actividades realizadas por el dispositivo. C Diseño de hardware comando. Los datos que han estado en forma de línea de comando se almacenan en dispositivos de lámparas inteligentes para que puedan controlarse automáticamente. Fig 1. Descripción general del sistema La Fig. 1 es una vista general del sistema a crear, dividido en varios procesos, entre otros: 1. La lámpara es un dispositivo que se utilizará como una lámpara inteligente a la que se le dará un sistema automático con inteligencia artificial. 2. La nube es un almacén de conjuntos de datos que se ha creado en función del comportamiento del usuario y un lugar para almacenar todas las actividades realizadas por dispositivos y programas de capacitación. Fig 3. Sistemática de Desain Hardware 3. La aplicación es el lugar donde se crean los programas de inteligencia artificial para realizar el entrenamiento de datos a partir de los resultados de conjuntos de datos que se han procesado en dispositivos de lámparas inteligentes. La aplicación también es capaz de monitorear, configurar manualmente y mostrar los resultados. B. Descripción general del dispositivo La sistemática del diseño de hardware se hace como la fig. 3 donde conecta módulos RTC, relés y condensadores al WeMos D1 Mini, luego se conecta a la red de Internet a través de wifi. WeMos D1 Mini enviará datos de control desde el teléfono inteligente Android a la nube de Antares, que luego se leerán en la nube de Antares y luego se mostrarán a través del teléfono inteligente Android. En WeMos D1 Mini, se utilizan pines G, 5v, D3, D2 y D1, incluidos pines G o de tierra para conectar entre la tierra del módulo RTC y del módulo de relé, pines de 5v que se conectan entre el pin VCC del módulo RTC y el pin VCC del relé, el pin D3 se conecta al pin IN del relé, el pin D2 se conecta al pin SDA en el módulo RTC y el último pin D1 se conecta al pin SCL en el módulo RTC. D. Descripción general del software Al principio se ejecutará una descripción general de los sistemas de lámparas inteligentes con la recopilación de datos tomados de los resultados de los hábitos de habitación del usuario. Después de recopilar los datos, se seleccionarán los datos. La descripción de este examen es l Fig. 2. Descripción general del dispositivo 81 Licencia de uso autorizada limitada a: UNIVERSIDAD AUTONOMA METROPOLITANA. Descargado el 29 de noviembre de 2022 a las 21:48:56 UTC de IEEE Xplore. Se aplican restricciones. Machine Translated by Google 2022 IEEE 8.ª Conferencia internacional sobre instrumentación, medición y aplicaciones inteligentes (ICSIMA2022) atributos Luego se volverá a convertir para que pueda usarse como datos de entrenamiento. El diagrama de flujo de la Fig. 5 procesará los datos de entrenamiento de entrada y determinará los candidatos de rama usando esos datos, luego calculará el valor de PL y el valor de PR para obtener ÿ(s|t) en cada rama. Después de ese valor de bondad se determinará con el valor máximo si los atributos están completos, el proceso de generación de árboles está listo para comenzar. TABLA II. Fig 4. Diagrama General del Sistema EJEMPLO DE DATOS DE ENTRENAMIENTO QUE SE HA CONVERTIDO CON CÁLCULOS DEL CARRITO NO Día 1 lunes 0 día de clase Condición Hora (Hora) 07:00 10:00 18:00 EN 2 lunes 0 16:00 01:20 APAGADO 3 lunes 0 23:00 03:00 07:30 EN 4 martes 1 analizados en la etapa final. En el siguiente sistema el proceso de 5 martes 1 clasificación utiliza el método CART. 6 martes 1 EN 7 miércoles 2 EN Los datos que hayan sido seleccionados serán transformados y clasificados durante una semana. Los resultados de la clasificación serán A. Recuperación de datos Los datos de hábitos se registran en un lapso de una semana. Los datos se recuperan utilizando la API (interfaz de programación de aplicaciones) en el servidor Antares. En el momento de la recuperación de datos se debe pasar por dos etapas, a saber, la primera para recuperar la identidad de los datos utilizando la dirección API. B. Preprocesamiento de datos EN APAGADO 8 miércoles 2 9 miércoles 2 22:55 EN 10 jueves 3 05:10 EN 11 jueves 3 07:00 APAGADO 12 jueves 3 11:50 EN 13 viernes 4 03:22 APAGADO 14 viernes 4 06:40 EN 15 viernes 4 11:30 APAGADO 16 sábado 5 08:45 APAGADO 17 sábado 5 10:11 EN 18 sábado 5 19 :10 EN 19 Domingo 6 01:00 APAGADO 6 19:00 EN 20 domingo APAGADO Los datos convertidos se pueden utilizar para determinar los candidatos de rama izquierda y derecha. Los datos se toman dentro de una semana junto con el tiempo de entrenamiento de los datos. CUADRO III. EJEMPLO DE ENTRENAMIENTO EN DATOS PARA CANDIDATOS A RAMAS IZQUIERDA Y DERECHA Rama Candidato Izquierda Rama Candidato Derecha Día (<=2) (>2) Día (<=4) (>4) Día (<=6) (>6) Hora (<=6:00) (>6:00) Hora (<=12:00) (>12:00) Hora (<=17:00) (>17:00) Hora (<=23:00) (>23:00) Cálculos para encontrar el valor de PL y PR utilizando las ecuaciones (4) y (6). CUADRO IV. CALCULAR EL VALOR DE PL Y PR Valor PL 0,45 Fig. 5. Algoritmo CART de diagrama de flujo Los resultados generados por este proceso son días, horas y condiciones. En esta etapa, el proceso de análisis se lleva a cabo en todos Valor de relaciones públicas 0,55 0,75 0,25 1 0 0,25 0,75 0,7 0,3 0,75 0,25 1 0 los datos que se han tomado. El análisis es un proceso de análisis de cadenas en lenguajes informáticos. Hay varias etapas de esta parte: los datos que se han tomado en la imagen se convertirán para tener atributos y tiempo en forma de épocas y después de que los datos tengan Después de obtener los resultados de los valores de PL y PR en la tabla III, se realizan cálculos para encontrar los valores de P(j|tL) y P(j|tR) utilizando las ecuaciones (5) y (7). características, condiciones y tiempo. 82 Licencia de uso autorizada limitada a: UNIVERSIDAD AUTONOMA METROPOLITANA. Descargado el 29 de noviembre de 2022 a las 21:48:56 UTC de IEEE Xplore. Se aplican restricciones. Machine Translated by Google 2022 IEEE 8.ª Conferencia internacional sobre instrumentación, medición y aplicaciones inteligentes (ICSIMA2022) CUADRO V. Detalle de la prueba del menú CÁLCULO DE DATOS P(J|TL) Y P(J|TR) Cálculo de datos P(j|tL) y P(j|tR) NO Condición Pj|tL Pj|tR ON 0,66 0,54 prueba de elementos Conversión de datos Predicción Muestra datos sobre Caja Capacitación negra 1 2 APAGADO 0,33 0,45 EN 0,6 0,6 APAGADO 0,4 EN 0,6 0 0,7 APAGADO 0,4 0,3 1 01 CARRO 0,4 0 Enviar datos 3 4 5 EN 0,4 APAGADO 0,6 EN 0,43 APAGADO 0,57 EN 0,47 APAGADO 0,53 0 EN 0,6 0 APAGADO 0,4 0 Hace predicciones sobre Caja datos de entrenamiento negra Enviar datos predictivos a antares negra 100% 100% Caja 100% B. Pruebas de rendimiento En la tabla y el gráfico a continuación hay un experimento de cálculo de resultados de luces interiores y exteriores para obtener precisión, 6 7 Tipo Resultado Caja negra 100% Muestra datos en forma convertida recuperación y valor de exactitud. TABLA VIII. CÁLCULO RESULTADOS DEL USO DE LUCES INTERIORES norte Después de que P(j|tL) y P(j|tR) ya estén definidos, luego calcula el valor Datos de O entrenamiento Datos Precisión(%) Recuerdo (%) Precisión (%) de prueba de ÿ(s|t) usando las ecuaciones (2). El resultado que se muestra en la tabla ENCENDIDO APAGADO ENCENDIDO V. El valor ÿ (s|t) se obtiene de restar el valor de Pj|tL y Pj|tR en la condición 1 120 2 168 ON más el resultado de la reducción en la condición OFF. El valor de 2PLPR se obtiene de la ecuación (2). Y el mayor valor de (s|t) se toma como nodo 100 168 APAGADO 67100 37 24 3 60 168 Promedio (%) 100 92 93 93 55 87 88 95 33 92 83 69.33 base. 88 76,5 La Tabla VIII se visualiza en un gráfico en la Fig. 6 a continuación. CUADRO VI. NO 5 VALOR DEL PRIMER PUNTO Rama Rama Candidatos a la izquierda Hora (<=12:00) ÿ(s|t) Candidatos Derecha (>12:00) 0.478 Con base en la TABLA V. es el resultado del cálculo para encontrar el valor de octava más grande, porque los resultados de (tiempo > 12) todas las condiciones muestran el resultado, entonces el proceso se detiene. Debido a que el resultado de (tiempo <=12.00) tiene condiciones (encendido y apagado), entonces el proceso continúa. Una vez pronosticados los datos, se obtendrán las condiciones de la lámpara de acuerdo con los datos de la prueba. Los resultados se enviarán Fig. 6. Gráfico de luz interior a Antares donde se utilizarán los datos en el dispositivo. TABLA IX. CÁLCULO RESULTADOS DEL USO DE LUCES EXTERIORES V.EL RESULTADO El objetivo de probar el rendimiento del sistema es determinar el rendimiento del método del algoritmo CART en la clasificación de datos. El rendimiento del sistema se obtiene utilizando el método de matriz de norte Datos de O entrenamiento Datos 168 confusión para calcular los valores de exactitud, precisión y recuperación. 100 168 En esta prueba, se realizaron tres pruebas utilizando diferentes datos de 3 60 168 interiores y exteriores, la segunda prueba fue 100 datos para las luces Recuerdo (%) Precisión (%) ENCENDIDO APAGADO ENCENDIDO 1 120 2 entrenamiento. En la primera prueba, se usaron 120 datos para las luces Precisión(%) de prueba Promedio (%) APAGADO 67100 52 37 100 92 96 71 90 88 96 54 92 87 74.66 83,16 93 89.33 La Tabla IX se visualiza en un gráfico en la Fig. 7 a continuación. interiores y exteriores, y la tercera prueba fue 60 datos para las luces interiores y exteriores. Los datos utilizados en esta prueba utilizan datos de hábitos de habitación tomados durante una semana y así sucesivamente, de acuerdo con las condiciones cuando las luces se encienden y se apagan. A. Prueba del sistema En el sistema construido, probado en el sistema de iluminación inteligente. El propósito de esta prueba es garantizar que el rendimiento de la aplicación y del sistema sea el esperado, probando la funcionalidad de las características contenidas en el sistema. En este sistema de iluminación inteligente, se probará la funcionalidad de las características del sistema. La siguiente es una tabla de escenarios de prueba. TABLA VII. ESCENARIO DE PRUEBA DE CAJA NEGRA Fig 7. Gráfico de luz exterior Detalle de la prueba del menú Recuperación de Sistema datos de Antares prueba de elementos Obtener y mostrar datos antares Tipo Resultado Caja negra 100% Con base en los resultados de probar el modelo que ha sido entrenado en este sistema, se puede concluir que el nivel de 83 Licencia de uso autorizada limitada a: UNIVERSIDAD AUTONOMA METROPOLITANA. Descargado el 29 de noviembre de 2022 a las 21:48:56 UTC de IEEE Xplore. Se aplican restricciones. Machine Translated by Google 2022 IEEE 8.ª Conferencia internacional sobre instrumentación, medición y aplicaciones inteligentes (ICSIMA2022) la precisión depende mucho de la cantidad de datos de entrenamiento utilizados, cuantos más datos se utilicen, mayor será el nivel de precisión obtenido. Esto muestra que el algoritmo CART puede analizar bien los hábitos de una persona en función de los registros de datos existentes, por ejemplo, lo que se ha utilizado en este sistema es leer los hábitos de una persona en el uso de luces. Entonces, para investigaciones futuras, el algoritmo CART se puede usar para analizar un patrón de hábito que ocurre en un entorno más grande. C. Hora del sistema de respuesta El tiempo de respuesta total del sistema se calcula desde el comienzo de Android hasta WeMos D1 Mini. La Tabla X muestra el resultado del tiempo total obtenido al enviar los datos de control de Android, el modo de control remoto y el comportamiento de la habitación a la nube antares, luego desde la nube antares a WeMos D1 Mini en unidades de tiempo con el tiempo total requerido para cada carga diferente. TABLA X. TIEMPO TOTAL DEL SISTEMA DE CONTROL Tiempo Total del Sistema Desde Android Hasta WeMos Control de sistema D1 Mini (segundo) Lámpara Modo de control remoto Modo de comportamiento 1,24 1,56 VI. CONCLUSION Las pruebas de Black Box en cada función del sistema y la función de clasificación en los datos de hábitos de la habitación utilizando el método CART muestran que todo puede funcionar al 100%. Los resultados de la REFERENCIAS [1] M. Li, "Aplicación del árbol de decisiones CART combinado con el algoritmo PCA en la detección de intrusos", Actas de la Conferencia internacional IEEE sobre ingeniería de software y ciencias de servicios, ICSESS, vol. 2017-noviembre, págs. 38–41, abril de 2018, doi: 10.1109/ ICSESS.2017.8342859. [2] N. Bhargava, S. Dayma, A. Kumar y P. Singh, "Un enfoque para la clasificación utilizando el algoritmo CART simple en WEKA", Actas de la 11.ª Conferencia Internacional sobre Sistemas Inteligentes y Control de 2017, ISCO 2017, págs. 212–216, febrero de 2017, doi: 10.1109/ISCO.2017.7855983.IS Jacobs y CP Bean, “Fine partículas, películas delgadas y anisotropía de intercambio”, en Magnetism, vol. III, GT Rado y H. Suhl, eds. Nueva York: Academic, 1963, págs. 271– 350. [3] H. Yan, H. Hu y P. Yu, "Un estudio sobre la tecnología de empuje de la información del servicio de agricultura inteligente basada en el algoritmo CART" Actas - Conferencia internacional sobre robots y sistemas inteligentes de 2019, ICRIS 2019, págs. 258–260, junio de 2019, doi: 10.1109/ ICRIS.2019.00074.R. Nicole, “Título del artículo con solo la primera palabra en mayúscula”, J. Name Stand. Abrev., en prensa. [4] R. Tang y X. Zhang, "Árbol de decisiones de CART combinado con la selección de características de Boruta para la clasificación de datos médicos", 2020 5th IEEE International Conference on Big Data Analytics, ICBDA 2020, pp. 80– 84, mayo de 2020, doi: 10.1109/ICBDA49040.2020.9101199. [5] R. Lutolf, "El concepto de hogar inteligente y la integración de medidores de energía en un sistema basado en el hogar", Landis & Gyr Energy Management Corp, pp. 277-278, 1992. [6] M. Balamurugan y S. Kannan, "Análisis de rendimiento de Cart y C5.0 mediante técnicas de muestreo", Conferencia internacional IEEE sobre avances en aplicaciones informáticas (ICACA) de 2016, 2016. [7] S. Singh y P. Gupta, "ESTUDIO COMPARATIVO ID3, CART Y C4.5 ALGORITMO DEL ÁRBOL DE DECISIÓN: UNA ENCUESTA", Revista internacional de ciencia y tecnología de la información avanzada (IJAIST) ISSN, vol. 27, núm. 27, 2014. [8] J. Jain, "Herramientas, marcos y bibliotecas", en Learn API Testing: normas, prácticas y pautas para crear una automatización de pruebas eficaz, J. Jain, ed. Berkeley, CA: Apress, 2022, págs. 41–73. doi: 10.1007/978-1-4842-8142-0_4. [9] MCA Prabowo, SS Hidayat y F. Luthfi, "Red de sensores inalámbricos de bajo costo para la medición inteligente de gas con la plataforma Antares IoT", 3ra Conferencia internacional sobre ciencia y tecnología aplicadas, tomados durante una semana dio como resultado un valor de precisión del iCAST 2020, 175–180, 2020, doi: páginas. 10.1109/ICAST51016.2020.9557692. 93 %, precisión (ON) 67 %, precisión (Off) 100 %, recuperación (ON) 100% y recuperación (OFF) prueba de rendimiento del sistema en la clasificación de datos con los mejores resultados, a saber, la primera prueba que utilizó 120 datos 92%. Los datos utilizados para este estudio fueron tomados durante una semana. Se puede concluir que cuantos más datos, mayor es la precisión. [10] CCDAK Santra, "Algoritmo genético y matriz de confusión para la agrupación de documentos", IJCSI International Journal of Computer Science Issues, 2012. 84 Licencia de uso autorizada limitada a: UNIVERSIDAD AUTONOMA METROPOLITANA. Descargado el 29 de noviembre de 2022 a las 21:48:56 UTC de IEEE Xplore. Se aplican restricciones.