UNIVERSIDAD NACIONAL AGRARIA LA MOLINA
Facultad de Economía y Planificación
Departamento de Estadística e Informática
Lenguaje de Programación III
Redes Neuronales: Casos
Profesora: Frida Coaquira Nina
Data Iris
4 variables predictoras
Tres clases
150 datos
Ejemplo Con la librería neuralnet de R
#Cargando los datos
data(iris)
iris$setosa <- iris$Species=="setosa"
iris$virginica <- iris$Species == "virginica"
iris$versicolor <- iris$Species == "versicolor"
iris.train.idx <- sample(x = nrow(iris), size =
nrow(iris)*0.70)
iris.train <- iris[iris.train.idx,]
iris.valid <- iris[-iris.train.idx,]
#Aplicación
library(neuralnet)
iris.net <- neuralnet(setosa+versicolor+virginica ~
Sepal.Length + Sepal.Width + Petal.Length +
Petal.Width,
data=iris.train, hidden=c(10,10), rep = 5, err.fct = "ce",
linear.output = F, lifesign = "minimal", stepmax =
1000000,
threshold = 0.001)
plot(iris.net, rep="best")
# Predicción
iris.prediccion <- compute(iris.net, iris.valid[-5:-8])
idx <- apply(iris.prediccion$net.result, 1, which.max)
predicted <- c('setosa', 'versicolor', 'virginica')[idx]
table(predicted, iris.valid$Species)
Resultados
> predicted
[1] "setosa"
"setosa"
"setosa"
"setosa"
"setosa"
"setosa"
"setosa"
"setosa"
"setosa"
[10] "setosa"
"setosa"
"setosa"
"setosa"
"setosa"
"setosa"
"setosa"
"setosa"
"versicolor"
[19] "versicolor" "versicolor" "versicolor" "versicolor" "versicolor" "virginica" "versicolor" "versicolor" "versicolor"
[28] "versicolor" "versicolor" "versicolor" "versicolor" "virginica" "virginica" "virginica" "virginica" "virginica"
[37] "virginica" "virginica" "versicolor" "virginica" "virginica" "virginica" "virginica" "virginica" "virginica"
> table(predicted, iris.valid$Species)
predicted setosa versicolor virginica
setosa
17
0
0
versicolor
0
13
1
virginica
0
1
13
# Tasa de Error
te= 2/45
[1] 0.04444444
En google collab
• Tensor flow (2015) Es una biblioteca para cálculos numéricos
utilizados en Machinne Learning, hace uso de diagramas de flujo de
datos, es un referente en los sistemas de aprendizaje profundo y
redes neuronales.
• Keras (2017) Es una biblioteca para redes neuronales de alto nivel
desarrollada para Python. Permite ejecutarse sobre bibliotecas como
tensor flow.
Ejemplo 1
• https://colab.research.google.com/github/google/engedu/blob/master/ml/pc/exercises/image_classification_part1.ipynb#s
crollTo=RXZT2UsyIVe_
Ejemplo 2
• https://notebooks.githubusercontent.com/view/ipynb?browser=chrome&color_
mode=auto&commit=26628e7ef4951731c3586a7850d17a49228e5323&device=
unknown&enc_url=68747470733a2f2f7261772e67697468756275736572636f6e
74656e742e636f6d2f61676e69697965722f54656e736f72466c6f772d696e2d507
26163746963652d5370656369616c697a6174696f6e2f323636323865376566343
935313733316333353836613738353064313761343932323865353332332f322e2
53230436f6e766f6c7574696f6e616c2532304e657572616c2532304e6574776f72
6b73253230696e25323054656e736f72466c6f772f436f757273652532303225323
02d25323050617274253230322532302d2532304c6573736f6e253230322532302
d2532304e6f7465626f6f6b2e6970796e62&logged_in=false&nwo=agniiyer%2FTe
nsorFlow-in-PracticeSpecialization&path=2.+Convolutional+Neural+Networks+in+TensorFlow%2FCour
se+2+-+Part+2+-+Lesson+2++Notebook.ipynb&platform=android&repository_id=260698080&repository_typ
e=Repository&version=98
Clasificación de imágenes
• “Dogs vs Cats” consta de 25000 imágenes
• https://storage.googleapis.com/mledudatasets/cats_and_dogs_filtered.zip
total training cat images: 1000 total
training dog images:
1000 total
validation cat images:
500 total
validation dog images:
500 total
Mostrando algunas imagenes
Preprocesamiento
Entrenamiento
Representación intermedia de las imagenes
Representación compacta
Accuracy
