PRACTICA 6
• Package “Neuralnet”
• RNA: feedforward y backpropagation
• Introducción RNA: importación base de datos
• Predicción empleando Matlab (Aplicación básica)
• Predicción empleando R Studio (Aplicación básica)
RNA: Feedforward y Backpropagation
Se muestra una red neuronal muy básica de 2 capas. A continuación se muestra un diagrama de la red:
Los datos contienen 4
observaciones; cada fila es una
observación. Las 3 columnas de
la izquierda (es decir, el objeto X)
se utilizan con los resultados
observados (columna "y" a la
derecha) para entrenar el
modelo. Una vez que el modelo
esté entrenado, puede pasar
nuevas variables predictoras (es
decir, nuevas filas de X) al
modelo y predecir valores de y
que aún no se han observado.
Ahora que se tiene los datos, se
necesita crear el modelo. Primero,
se crea un objeto para almacenar el
estado del modelo.
Ahora que se tiene algunos datos para trabajar
(X e y) y una lista para almacenar el estado del
modelo (my_nn), se puede juntar las funciones
para entrenar el modelo.
Aquí definimos la función de activación, la
convierte las entradas de una capa en salidas.
Las salidas luego se pasan a la siguiente capa.
La función de activación sigmoidea se utiliza en
el presente modelo.
La función de pérdida (los function) se utiliza Para minimizar la función de
para determinar la bondad de ajuste del pérdida, se realiza Feedforward
modelo. Se utilizará el error de suma de y Backpropagation.
Feedforward aplica la función de
cuadrados (Sum-of-Squares Error) como la
activación a las capas y produce
función de pérdida. un resultado previsto.
El objetivo de la red neuronal es encontrar
pesos para cada capa que minimicen el
resultado de la función de pérdida.
Backpropagation toma el resultado predicho, resultante del paso de avance, y ajusta
los pesos de las capas para reducir la función de pérdida.
Ahora estamos listos para entrenar el modelo. El proceso de
entrenamiento llama repetidamente a feedforward() y backprop() para
reducir la función de pérdida.
Se puede observar que los valores pronosticados están bastante cerca de
los valores reales observados.
La siguiente gráfica mostrará el resultado de la función de pérdida a medida
que se entrena el modelo. El objetivo del entrenamiento del modelo es
minimizar el resultado de la función de pérdida (eje Y), y se puede observar
que a medida que se avanza en las iteraciones (eje X), el resultado de la
función de pérdida tiende a cero.
Introducción RNA: importación base de datos
Predicción empleando Matlab (Aplicación básica)
7.17 0.7595339
7.97 0.84427966
7.89 0.83580508
5.59 0.59216102
6.19 0.65572034
5.71 0.60487288
7.1 0.75211864
6.65 0.70444915
8.2 0.86864407
4.93 0.52224576
3.45 0.3654661
2.88 0.30508475
3.88 0.41101695
5.71 0.60487288
6.19 0.65572034
9.44 1
7.14 0.75635593
7.67 0.81250000
Predicción empleando R Studio (Aplicación básica)
Real Predicho % error
7.17 0.7595339 0.7985927 5.1
7.97 0.84427966
7.89 0.83580508
5.59 0.59216102
6.19 0.65572034 0.7145211 9.0
5.71 0.60487288
7.1 0.75211864
6.65 0.70444915
8.2 0.86864407 0.7072474 -18.6
4.93 0.52224576
3.45 0.3654661
2.88 0.30508475 0.4484116 47.0
3.88 0.41101695
5.71 0.60487288
6.19 0.65572034 0.5244311 -20.0
9.44 1 0.6870816 -31.3
7.14 0.75635593
7.67 0.81250000
