Muestra las diferencias entre dos versiones de la página.
Ambos lados, revisión anterior Revisión previa Próxima revisión | Revisión previa | ||
clase:iabd:pia:1eval:tema01 [2023/10/21 11:36] admin [Ejercicios] |
clase:iabd:pia:1eval:tema01 [2023/10/22 14:28] (actual) admin [Ejercicios] |
||
---|---|---|---|
Línea 352: | Línea 352: | ||
==== Ejercicio 2 ==== | ==== Ejercicio 2 ==== | ||
- | Vamos a ver como se comportan las predicciones haciendo distintos cambios en nuestra | + | Modifica ahora la red neuronal |
- | Los cambios son los siguientes: | + | |
- | * **No random seed** | + | * La 2º capa oculta tenga 6 neuronas |
- | Deberás eliminar las siguientes líneas: | + | * La 3º capa oculta tenga 4 neuronas |
- | <sxh python> | + | * La 4º capa seguirá teniendo 1 neurona |
- | np.random.seed(5) | + | |
- | tf.random.set_seed(5) | + | |
- | random.seed(5) | + | |
- | </ | + | |
- | + | ||
- | + | ||
- | * **2 épocas** | + | |
- | + | ||
- | En el método '' | + | |
- | + | ||
- | + | ||
- | * **Red neuronal pequeña** | + | |
- | + | ||
- | Modifica el código python de la red neuronal original de forma que: | + | |
- | | + | |
- | * La 2º capa oculta tenga 6 capas en vez de 12 | + | |
- | * La 3º capa oculta tenga 4 capas en vez de 6 | + | |
Usando la web [[http:// | Usando la web [[http:// | ||
- | Ahora muestra los resultados | + | Ahora muestra los resultados |
- | | **Largo Sépalo** | + | | **Largo Sépalo** |
- | | 5.4 | + | | 5.4 |
- | | 5.5 | + | | 5.5 |
Línea 401: | Línea 384: | ||
flower_type=iris.target[: | flower_type=iris.target[: | ||
</ | </ | ||
+ | |||
+ | Entrena la red con los nuevos datos | ||
Muestra la gráfica con los datos de entrada usando el código: | Muestra la gráfica con los datos de entrada usando el código: | ||
Línea 489: | Línea 474: | ||
<sxh> | <sxh> | ||
+ | #Para que los datos no se muestren con notación científica | ||
+ | np.set_printoptions(suppress=True) | ||
+ | |||
print(x[56], | print(x[56], | ||
</ | </ | ||
- | Ahora indica | + | Ahora muestra |
Línea 498: | Línea 486: | ||
| **Nº Capa** | | **Nº Capa** | ||
- | | | + | | |
- | | | + | | |
- | | | + | | |
- | | | + | | |
- | | | + | | |
- | | | + | | |
+ | | | ||
Línea 512: | Línea 501: | ||
| | | | ||
+ | ¿Es una buena red? | ||
+ | Usa hora una red más pequeña de forma que tenga las siguientes capas: | ||
+ | | **Nº Capa** | ||
+ | | | ||
+ | | | ||
+ | | | ||
+ | | | ||
- | ==== Ejercicio 6 ==== | ||
- | En este caso, vamos a utilizar un conjunto de datos para clasificar tipos de vino. | ||
- | Los datos se obtienen de la siguiente | + | Rellena |
- | <sxh python> | + | | **Fila Datos** |
- | from sklearn.datasets import load_wine | + | | |
+ | | | ||
- | wine=load_wine() | + | ¿Es una buena red? |
- | x = wine.data | + | ==== Ejercicio 6 ==== |
- | y = wine.target | + | Repite la red pequeña del ejercicio |
+ | < | ||
+ | np.random.seed(5) | ||
+ | tf.random.set_seed(5) | ||
+ | random.seed(5) | ||
</ | </ | ||
- | Igual que el ejercicio anterior, deberás hacer 3 redes neuronales distintas ( llamadas **A**, **B** y **C**) y comprobar las predicciones | + | Rellena la siguiente tabla y muestrala con una **red con la semilla 6** |
- | | | + | | **Fila Datos** | **Resultado |
- | | **1º** | + | | 56 |
- | | **2º** | + | | 204 |
- | | | + | |
- | | | + | |
+ | Rellena la siguiente tabla y muestrala con una **red con la semilla 88** | ||
+ | | **Fila Datos** | ||
+ | | | ||
+ | | | ||