Diferencias

Muestra las diferencias entre dos versiones de la página.

--- clase:iabd:pia:1eval:tema04 [2024/11/19 19:08]
admin [Mini-proyecto]
+++ clase:iabd:pia:1eval:tema04 [2025/03/22 13:06] (actual)
admin [Personalización]
@@ Línea 261: / Línea 261: @@
 figure.suptitle("Título de la figura")
-subfigure_a,subfigure_b = figure.subfigures(nrows=2, ncols=1)
+subfigures = figure.subfigures(nrows=2, ncols=1).reshape(-1)
+subfigure_a=subfigures[0]
+subfigure_b=subfigures[1]
 subfigure_a.suptitle("Titulo de la SubFigura A")
@@ Línea 841: / Línea 843: @@
 También podemos obtener el siguiente color que vamos a usar con:
 <sxh python>
+#Versiones nuevas
+color=axes._get_lines.get_next_color()
+#Versiones antiguas
 color=next(axes._get_lines.prop_cycler)['color']
 </sxh>
@@ Línea 1095: / Línea 1100: @@
 Como podemos ver hay muchos estilos relacionados con [[https://seaborn.pydata.org/|Seaborn]]
+==== Definir el propio estilo ====
+Normalmente queremos que todas nuestras gráficas tengan un mismo estilo , por ello es bueno crear una serie de funciones estándar que siempre usaremos.
+  * La primera función que usamos se llama ''axes_configure_labels(axes,title,xlabel,ylabel)'' que configura tanto los labels como los colores y tamaños de fuente.
+<sxh python>
+def axes_configure_labels(axes,title,xlabel,ylabel):
+    color="#003B80"
+    facecolor="#FAFCFF"
+    gridcolor="#BAD4F2"
+    tickcolor="#011E32"
+    fontsize_label=13
+    axes.set_xlabel(xlabel, fontsize=fontsize_label,color=color)
+    axes.set_ylabel(ylabel, fontsize=fontsize_label,color=color)
+    axes.set_title(title,color=color)
+    axes.set_facecolor(facecolor)
+    axes.spines['bottom'].set_color(tickcolor)
+    axes.spines['top'].set_color(tickcolor)
+    axes.spines['right'].set_color(tickcolor)
+    axes.spines['left'].set_color(tickcolor)
+    axes.tick_params(axis='both', colors=tickcolor)
+    axes.grid(visible=True, which='major', axis='both',color=gridcolor,linewidth=1,zorder=-10)
+    axes.set_axisbelow(True)
+    handles, labels = axes.get_legend_handles_labels()
+    if labels:
+        axes.legend(fontsize=fontsize_label-2,labelcolor=color)
+</sxh>
+  * La siguiente función es ''axes_configure_for_metrics(axes)'' que configura las gráficas para mostrar métricas que van de  $[0-1]$ .
+<sxh python>
+def axes_configure_axis_for_metrics(axes):
+    axes.set_xlim(xmin=0,xmax=1)
+    axes.set_ylim(ymin=0,ymax=1.1)
+    axes.xaxis.set_major_locator(MultipleLocator(0.1))
+    axes.yaxis.set_major_locator(MultipleLocator(0.1))
+</sxh>
+  * Para mostrar las gráficas de la pérdida en función de las épocas se usarán las funciones ''axes_configure_axis_for_epochs'' y ''plot_history_metric'':
+<sxh python>
+def axes_configure_axis_for_epochs(axes,ymax=1):
+    axes.xaxis.set_major_locator(MaxNLocator(10,integer=True))
+    axes.yaxis.set_major_locator(LinearLocator(10))
+    axes.set_ylim(ymin=0,ymax=ymax)
+</sxh>
+<sxh python>
+def plot_history_metric(axes,history,metric_name,label=None,color="#003B80",decimales=2):
+    if (label==None):
+        label=metric_name
+    axes.plot(history[metric_name],linestyle="dotted",c=color,label=f"{label}:{history[metric_name][-1]:.{decimales}f}")
+    axes.plot(history['val_'+metric_name],linestyle="solid",c=color,label=f"Valid. {label}:{history['val_'+metric_name][-1]:.{decimales}f}")
+</sxh>
+Usándose así:
+<sxh python>
+figure=plt.figure(figsize=(6, 3.5))
+axes=figure.add_subplot(1,1,1)
+plot_history_metric(axes,history.history,"loss",decimales=6)
+axes_configure_labels(axes,"loss por épocas","Nº Épocas","Loss")
+axes_configure_axis_for_epochs(axes,1.1)
+</sxh>
 ===== Ejercicios =====
@@ Línea 1903: / Línea 1990: @@
 {{:clase:iabd:pia:1eval:pib_modelo_red_neuronal_monitorizacion.png|}}
+=== Paso 14 ===
+Siguiendo con el DataSet de los precios de viviendas en la ciudad de Boston, vamos a mostrar las gráficas con
+las pérdidas y la métrica del Coeficiente de determinación o R² de todas las redes neuronales que se entrenaron en el tema anterior (entrenamiento y validación)
+Para poder mostrar el Coeficiente de determinación o R² deberemos modificar el método ''model.compile'' de la siguiente forma:
+<sxh python>
+model.compile(loss='mean_squared_error',metrics=[tf.keras.metrics.R2Score()])
+</sxh>
+Se usa de la siguiente forma:
+  * Obtener el R² para cada época en el entrenamiento
+<sxh python>
+r2_score=history.history['r2_score']
+</sxh>
+  * Obtener el R² para cada época en validación
+<sxh python>
+r2_score_validacion=history.history['val_r2_score']
+</sxh>
+{{:clase:iabd:pia:1eval:boston_loss_metrics_300_epocas.png|}}
+<sxh python>
+redes_neuronales=[
+    [[20,1],"relu"],
+    [[20,1],"selu"],
+    [[20,1],"tanh"],
+    [[20,10,1],"relu"],
+    [[20,10,1],"selu"],
+    [[20,10,1],"tanh"],
+    [[20,30,10,1],"relu"],
+    [[20,30,10,1],"selu"],
+    [[20,30,10,1],"tanh"],
+    [[20,40,80,40,20,1],"relu"],
+    [[20,40,80,40,20,1],"selu"],
+    [[20,40,80,40,20,1],"tanh"],
+    [[20,40,80,160,80,40,20,1],"relu"],
+    [[20,40,80,160,80,40,20,1],"selu"],
+    [[20,40,80,160,80,40,20,1],"tanh"]
+]
+epochs=300
+</sxh>
+<sxh base>
+  Nombre  Capas                               Épocas  Activación                MSE               R²           Tiempo           MSE            R²
+     Red                                                              Entrenamiento    Entrenamiento    Entrenamiento    Validación    Validación
+--------  --------------------------------  --------  ------------  ---------------  ---------------  ---------------  ------------  ------------
+  [20, 1]                                300  relu                 25.9903        0.700825            13.2181       24.1596     0.670553
+  [20, 1]                                300  selu                 23.1742        0.733241            12.6924       21.8751     0.701705
+  [20, 1]                                300  tanh                 69.747         0.197143            12.3714       61.0294     0.167786
+  [20, 10, 1]                            300  relu                 24.5118        0.717845            12.8602       26.5133     0.638458
+  [20, 10, 1]                            300  selu                 23.5015        0.729474            12.4664       23.3333     0.681821
+  [20, 10, 1]                            300  tanh                 59.5199        0.314867            12.466        51.4849     0.297938
+  [20, 30, 10, 1]                        300  relu                 13.5217        0.844352            13.0145       17.7428     0.758054
+  [20, 30, 10, 1]                        300  selu                 11.4235        0.868504            12.895        16.8747     0.769892
+  [20, 30, 10, 1]                        300  tanh                 59.6715        0.313121            12.7907       50.0339     0.317724
+  [20, 40, 80, 40, 20, 1]                300  relu                 11.639         0.866023            13.8727       15.3683     0.790433
+  [20, 40, 80, 40, 20, 1]                300  selu                 19.7779        0.772336            13.6373       26.7263     0.635553
+  [20, 40, 80, 40, 20, 1]                300  tanh                 55.5066        0.361063            13.6796       50.5201     0.311094
+  [20, 40, 80, 160, 80, 40, 20, 1]       300  relu                 22.3828        0.742352            13.9058       27.3831     0.626596
+  [20, 40, 80, 160, 80, 40, 20, 1]       300  selu                  6.17364       0.928935            14.0711       17.3759     0.763057
+  [20, 40, 80, 160, 80, 40, 20, 1]       300  tanh                 86.8736       -2.5034e-06          14.0382       75.0856    -0.0238888
+</sxh>
+Para cada una de las redes indica:
+  * Si tiene unas buenas métricas en la última época
+  * Si es buena o mala red , es decir si la elegirías. Explica el motivo
+  * Compara los resultados con los del tema anterior ¿Porque hay esas variaciones?
+=== Paso 15 ===
+Repite el ejercicio anterior pero ahora solo para 10 épocas y muestra solo la pérdida en entrenamiento y validación.
+{{:clase:iabd:pia:1eval:boston_loss_metrics_10_epocas.png|}}
+Para cada una de las redes indicas si podrías "intuir" si va a ser una buena red después de 300 épocas

logongas

Herramientas de usuario

Herramientas del sitio

Diferencias

Herramientas de la página