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 18:02]
admin 		clase:iabd:pia:1eval:tema01 [2023/06/05 11:07]
admin [Código en Python]
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 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 472: Línea 475:
  
 {{ :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:
 +
 +{{ :clase:iabd:pia:1eval:breast_cancer_kde.png?direct |}}
 +
 +Podemos ven en los histogramas que no hay una forma fácil de saber si una célula es o no cancerígena.
 +
 +<note important>
 +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.
 +</note>
  
  
 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**). 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**).
 +
 +Usando la web [[http://alexlenail.me/NN-SVG/index.html]] también deberás dibujar cada una de las redes neuronales que acabas de crear
  
 |  Datos  |  Resultado red neuronal **A**  |  Resultado red neuronal **B**  |  Resultado red neuronal **C**  |  ** Resultado Real **  | |  Datos  |  Resultado red neuronal **A**  |  Resultado red neuronal **B**  |  Resultado red neuronal **C**  |  ** Resultado Real **  |
Línea 482: Línea 497:
 |   **4º**  |     |    |    | |   **4º**  |     |    |    |
  
-Para ver los datos junto a su preducción puedes usar las siguientes líneas:+Para ver los datos junto a su predicción puedes usar las siguientes líneas:
 <sxh python> <sxh python>
 np.set_printoptions(threshold=np.inf) np.set_printoptions(threshold=np.inf)
 np.set_printoptions(suppress=True) np.set_printoptions(suppress=True)
-print(np.column_stack((x,y)))+np.column_stack((x,y))
 </sxh> </sxh>
  
 Y mostrará algo simular a ésto: Y mostrará algo simular a ésto:
 <sxh base> <sxh base>
-[[  17.99        10.38       122.8       1001.           0.1184 +array([[  17.99     ,   10.38     ,  122.8      , 1001.       , 
-     0.2776       0.3001       0.1471       0.2419       0.07871 +           0.1184   ,    0.2776   ,    0.3001   ,    0.1471   , 
-     1.095        0.9053       8.589      153.4          0.006399 +           0.2419   ,    0.07871  ,    1.095    ,    0.9053   , 
-     0.04904      0.05373      0.01587      0.03003      0.006193 +           8.589    ,  153.4      ,    0.006399 ,    0.04904  , 
-    25.38        17.33       184.6       2019.           0.1622 +           0.05373  ,    0.01587  ,    0.03003  ,    0.006193 , 
-     0.6656       0.7119       0.2654       0.4601       0.1189 +          25.38     ,   17.33     ,  184.6      , 2019.       , 
-     0.       ] +           0.1622   ,    0.6656   ,    0.7119   ,    0.2654   , 
- [  20.57        17.77       132.9       1326.           0.08474 +           0.4601   ,    0.1189   ,    0.       ], 
-     0.07864      0.0869       0.07017      0.1812       0.05667 +       [  20.57     ,   17.77     ,  132.9      , 1326.       , 
-     0.5435       0.7339       3.398       74.08         0.005225 +           0.08474  ,    0.07864  ,    0.0869   ,    0.07017  , 
-     0.01308      0.0186       0.0134       0.01389      0.003532 +           0.1812   ,    0.05667  ,    0.5435   ,    0.7339   , 
-    24.99        23.41       158.8       1956.           0.1238 +           3.398    ,   74.08     ,    0.005225 ,    0.01308  , 
-     0.1866       0.2416       0.186        0.275        0.08902 +           0.0186   ,    0.0134   ,    0.01389  ,    0.003532 , 
-     0.       ]+          24.99     ,   23.41     ,  158.8      , 1956.       , 
 +           0.1238   ,    0.1866   ,    0.2416   ,    0.186    , 
 +           0.275    ,    0.08902  ,    0.       ], 
 +            
 +           
     .....................     .....................
- [  20.6         29.33       140.1       1265.           0.1178 +     
-     0.277        0.3514       0.152        0.2397       0.07016 +     
-     0.726        1.595        5.772       86.22         0.006522 +       [  20.6      ,   29.33     ,  140.1      , 1265.       , 
-     0.06158      0.07117      0.01664      0.02324      0.006185 +           0.1178   ,    0.277    ,    0.3514   ,    0.152    , 
-    25.74        39.42       184.6       1821.           0.165 +           0.2397   ,    0.07016  ,    0.726    ,    1.595    , 
-     0.8681       0.9387       0.265        0.4087       0.124 +           5.772    ,   86.22     ,    0.006522 ,    0.06158  , 
-     0.       ] +           0.07117  ,    0.01664  ,    0.02324  ,    0.006185 , 
- [   7.76        24.54        47.92       181.           0.05263 +          25.74     ,   39.42     ,  184.6      , 1821.       , 
-     0.04362      0.           0.           0.1587       0.05884 +           0.165    ,    0.8681   ,    0.9387   ,    0.265    , 
-     0.3857       1.428        2.548       19.15         0.007189 +           0.4087   ,    0.124    ,    0.       ], 
-     0.00466      0.           0.           0.02676      0.002783 +       [   7.76     ,   24.54     ,   47.92     ,  181.       , 
-     9.456       30.37        59.16       268.6          0.08996 +           0.05263  ,    0.04362  ,    0.       ,    0.       , 
-     0.06444      0.           0.           0.2871       0.07039 +           0.1587   ,    0.05884  ,    0.3857   ,    1.428    , 
-     1.       ]]+           2.548    ,   19.15     ,    0.007189 ,    0.00466  , 
 +           0.       ,    0.       ,    0.02676  ,    0.002783 , 
 +           9.456    ,   30.37     ,   59.16     ,  268.6      , 
 +           0.08996  ,    0.06444  ,    0.       ,    0.       , 
 +           0.2871   ,    0.07039  ,    1.       ]])
 </sxh> </sxh>
  
 Siendo la última columna es resultado que debe dar. Y las 30 primeras columnas la entrada al método ''predict'' Siendo la última columna es resultado que debe dar. Y las 30 primeras columnas la entrada al método ''predict''
 +
 +==== Ejercicio 6 ====
 +En este caso, vamos a utilizar un conjunto de datos para clasificar tipos de vino.
 +
 +Los datos se obtienen de la siguiente forma:
 +
 +<sxh python>
 +from sklearn.datasets import load_wine
 +
 +wine=load_wine()
 +
 +x = wine.data
 +y = wine.target
 +</sxh>
 +
 +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