logongas

Herramientas de usuario

Herramientas del sitio

Traza:
clase:iabd:pia:1eval:tema01

Diferencias

Muestra las diferencias entre dos versiones de la página.

Enlace a la vista de comparación

Ambos lados, revisión anterior Revisión previa
Próxima revisión 		Revisión previa
Próxima revisión Ambos lados, revisión siguiente
clase:iabd:pia:1eval:tema01 [2021/09/19 18:01]
admin [Ejercicios] 		clase:iabd:pia:1eval:tema01 [2023/10/21 11:23]
admin [Ejercicios]
Línea 113: Línea 113:
 from sklearn.datasets import load_iris from sklearn.datasets import load_iris
 from matplotlib.colors import LightSource from matplotlib.colors import LightSource
 +import random
  
 iris=load_iris() iris=load_iris()
Línea 126: Línea 127:
 np.random.seed(5) np.random.seed(5)
 tf.random.set_seed(5) tf.random.set_seed(5)
 +random.seed(5)  
  
 model=Sequential() model=Sequential()
Línea 183: Línea 184:
 np.random.seed(5) np.random.seed(5)
 tf.random.set_seed(5) tf.random.set_seed(5)
 +random.seed(5)  
 </sxh> </sxh>
  
Línea 345: Línea 347:
 Obtén el resultado de la red neuronal para las siguientes entradas e indica el tipo de flor que ha calcula la red neuronal. Obtén el resultado de la red neuronal para las siguientes entradas e indica el tipo de flor que ha calcula la red neuronal.
  
-|  **Largo Sépalo**  |  **Largo Pétalo**  |  **Resultado red neuroral**  |  ** Tipo de Flor(0 o 1)**  |+|  **Largo Sépalo**  |  **Largo Pétalo**  |  **Resultado red neuronal**  |  ** Tipo de Flor(0 o 1)**  |
 |  5.4   |  1.7   |    |    | |  5.4   |  1.7   |    |    |
 |  5.5   |  4.0   |    |    | |  5.5   |  4.0   |    |    |
Línea 353: Línea 355:
  
 Los cambios son los siguientes: Los cambios son los siguientes:
-  * No random seed+  * **No random seed**
 Deberás eliminar las siguientes líneas: Deberás eliminar las siguientes líneas:
 <sxh python> <sxh python>
 np.random.seed(5) np.random.seed(5)
 tf.random.set_seed(5) tf.random.set_seed(5)
 +random.seed(5)  
 </sxh> </sxh>
  
Línea 378: Línea 381:
 Ahora muestra los resultados en la siguiente tabla Ahora muestra los resultados en la siguiente tabla
  
-|  **Largo Sépalo**  |  **Largo Pétalo**  |  **Resultado red neuroral Original**  |  **No random seed**  |  **2 épocas**  |  **Red neuronal pequeña**  |  **Tipo de Flor(0 o 1)**  |+|  **Largo Sépalo**  |  **Largo Pétalo**  |  **Resultado red neuronal Original**  |  **No random seed**  |  **2 épocas**  |  **Red neuronal pequeña**  |  **Tipo de Flor(0 o 1)**  |
 |  5.4   |  1.7   |    |    |    |    |    | |  5.4   |  1.7   |    |    |    |    |    |
 |  5.5   |  4.0   |    |    |    |    |    | |  5.5   |  4.0   |    |    |    |    |    |
Línea 415: Línea 418:
 Prueba a ver si funciona ahora la red neuronal con el nuevo tipo de flor. Prueba a ver si funciona ahora la red neuronal con el nuevo tipo de flor.
  
-|  **Largo Sépalo**  |  **Largo Pétalo**  |  **Resultado red neuroral**  |  ** Tipo de Flor **  |+|  **Largo Sépalo**  |  **Largo Pétalo**  |  **Resultado red neuronal**  |  ** Tipo de Flor **  |
 |  6.9   |  5.1   |    |    | |  6.9   |  5.1   |    |    |
 |  7.7   |  6.1   |    |    | |  7.7   |  6.1   |    |    |
Línea 473: Línea 476:
 {{ :clase:iabd:pia:1eval:nucleos_celulares_cancer.png?direct&400 |}} {{ :clase:iabd:pia:1eval:nucleos_celulares_cancer.png?direct&400 |}}
  
 +Y los histogramas de todos los datos son los siguientes:
  
-Deberás hacer 3 redes neuronales distintas ( llamadas **A**, **B** y **C**) y comprobar las predicciones con 4 conjuntos de datos distintos  (llamados **1º**, **2º**, **3º** y **4º**).+{{ :clase:iabd:pia:1eval:breast_cancer_kde.png?direct |}}
  
-|  Datos  |  Resultado red neuronal **A**  |  Resultado red neuronal **B**  |  Resultado red neuronal **C**  |  ** Resultado Real **  | +Podemos ven en los histogramas que no hay una forma fácil de saber si una célula es o no cancerígena.
-|   **1º**  |     |    |    | +
-|   **2º**  |     |    |    | +
-|   **2º**  |     |    |    | +
-|   **2º**  |     |    |    |+
  
-Para ver los datos junto a su preducción puedes usar las siguientes líneas: +<note important> 
-<sxh python> +En vez de incluir todos los datos en la red neuronal , habría que hacer un Análisis exploratorio de datos (EDA) y por ejemplo eliminar las columnas que están relacionadas. 
-np.set_printoptions(threshold=np.inf) +</note> 
-np.set_printoptions(suppress=True) + 
-print(np.column_stack((x,y)))+Imprime el valor de la fila 56 tanto de la ''x'' como de la ''y''. 
 + 
 +<sxh> 
 +print(x[56],y[56])
 </sxh> </sxh>
  
-Y mostrará algo simular a ésto: +Ahora indica los valores de la ''x'' y la ''y'' para la fila 204. 
-<sxh base> + 
-[[  17.99        10.38       122.8       1001.           0.1184 + 
-     0.2776       0.3001       0.1471       0.2419       0.07871 +Crea una red neuronal en las que en cada capa tenga los siguientes números de neuronas: 
-     1.095        0.9053       8.589      153.4          0.006399 + 
-     0.04904      0.05373      0.01587      0.03003      0.006193 +|  Nº Capa  |  Nº Neuronas  | 
-    25.38        17.33       184.6       2019.           0.1622 +|   **1º**  |  30   | 
-     0.6656       0.7119       0.2654       0.4601       0.1189 +|   **2º**  |  60   | 
-     0.       ] +|   **3º**  |  100   | 
- [  20.57        17.77       132.9       1326.           0.08474 +|   **4º**  |  60   | 
-     0.07864      0.0869       0.07017      0.1812       0.05667 +|   **5º**  |  30   | 
-     0.5435       0.7339       3.398       74.08         0.005225 +|   **6º**  |  1   | 
-     0.01308      0.0186       0.0134       0.01389      0.003532 + 
-    24.99        23.41       158.8       1956.           0.1238 + 
-     0.1866       0.2416       0.186        0.275        0.08902 +Rellena la siguiente tabla y muestrala 
-     0.       ] + 
-    ..................... +|  Fila Datos  | Resultado ''verdadero''  |  Resultado red neuronal  | 
- [  20.6         29.33       140.1       1265.           0.1178 +|   **56**  |     |    | 
-     0.277        0.3514       0.152        0.2397       0.07016 +|   **204**  |     |    | 
-     0.726        1.595        5.772       86.22         0.006522 + 
-     0.06158      0.07117      0.01664      0.02324      0.006185 + 
-    25.74        39.42       184.6       1821.           0.165 + 
-     0.8681       0.9387       0.265        0.4087       0.124 + 
-     0.       ] + 
- [   7.76        24.54        47.92       181.           0.05263 +==== Ejercicio 6 ==== 
-     0.04362      0.           0.           0.1587       0.05884 +En este caso, vamos a utilizar un conjunto de datos para clasificar tipos de vino. 
-     0.3857       1.428        2.548       19.15         0.007189 + 
-     0.00466      0.           0.           0.02676      0.002783 +Los datos se obtienen de la siguiente forma: 
-     9.456       30.37        59.16       268.6          0.08996 + 
-     0.06444      0.           0.           0.2871       0.07039 +<sxh python> 
-     1.       ]]+from sklearn.datasets import load_wine 
 + 
 +wine=load_wine() 
 + 
 +x = wine.data 
 +y = wine.target
 </sxh> </sxh>
  
-Siendo la última columna es resultado que debe dar. Y las 30 primeras columnas la entrada al método ''predict''+Igual que el ejercicio anterior, deberás hacer 3 redes neuronales distintas ( llamadas **A**, **B** y **C**) y comprobar las predicciones con 4 conjuntos de datos distintos  (llamados **1º**, **2º**, **3º** y **4º**). 
 + 
 +|  Datos  |  Resultado red neuronal **A**  |  Resultado red neuronal **B**  |  Resultado red neuronal **C**  |  ** Resultado Real **  | 
 +|   **1º**  |     |    |    | 
 +|   **2º**  |     |    |    | 
 +|   **3º**  |     |    |    | 
 +|   **4º**  |     |    |    | 
 + 
  
clase/iabd/pia/1eval/tema01.txt · Última modificación: 2023/10/22 14:28 por admin

Herramientas de la página

Excepto donde se indique lo contrario, el contenido de este wiki esta bajo la siguiente licencia: GNU Free Documentation License 1.3
GNU Free Documentation License 1.3 Donate Powered by PHP Valid HTML5 Valid CSS Driven by DokuWiki