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 [2023/10/21 11:39]
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 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 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 |}} 
 + 
 +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> 
 + 
 +Imprime el valor de la fila 56 tanto de la ''x'' como de la ''y''. 
 + 
 +<sxh> 
 +#Para que los datos no se muestren con notación científica 
 +np.set_printoptions(suppress=True)  
 + 
 +print(x[56],y[56]) 
 +</sxh> 
 + 
 +Ahora indica los valores de la ''x'' y la ''y'' para la fila 204. 
 + 
 + 
 +Crea una red neuronal en las que en cada capa tenga los siguientes números de neuronas: 
 + 
 +|  **Nº Capa**  |  **Nº Neuronas**  | 
 +|   1º  |  60   | 
 +|   2º  |  100   | 
 +|   3º  |  60   | 
 +|   4º  |  30   | 
 +|   5º  |  15   | 
 +|   6º  |  1   | 
 + 
 + 
 +Rellena la siguiente tabla y muestrala 
 + 
 +|  **Fila Datos**  | **Resultado ''verdadero''**  |  **Resultado red neuronal**  | 
 +|   56  |     |    | 
 +|   204  |     |    | 
 + 
 + 
 + 
 + 
 + 
 +==== 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 **  | |  Datos  |  Resultado red neuronal **A**  |  Resultado red neuronal **B**  |  Resultado red neuronal **C**  |  ** Resultado Real **  |
Línea 482: Línea 541:
 |   **4º**  |     |    |    | |   **4º**  |     |    |    |
  
-Para ver los datos junto a su preducción puedes usar las siguientes líneas: 
-<sxh python> 
-np.set_printoptions(threshold=np.inf) 
-np.set_printoptions(suppress=True) 
-print(np.column_stack((x,y))) 
-</sxh> 
- 
-Y mostrará algo simular a ésto: 
-<sxh base> 
-[[  17.99        10.38       122.8       1001.           0.1184 
-     0.2776       0.3001       0.1471       0.2419       0.07871 
-     1.095        0.9053       8.589      153.4          0.006399 
-     0.04904      0.05373      0.01587      0.03003      0.006193 
-    25.38        17.33       184.6       2019.           0.1622 
-     0.6656       0.7119       0.2654       0.4601       0.1189 
-     0.       ] 
- [  20.57        17.77       132.9       1326.           0.08474 
-     0.07864      0.0869       0.07017      0.1812       0.05667 
-     0.5435       0.7339       3.398       74.08         0.005225 
-     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 
-     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 
-     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 
-     0.04362      0.           0.           0.1587       0.05884 
-     0.3857       1.428        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> 
  
-Siendo la última columna es resultado que debe dar. Y las 30 primeras columnas la entrada al método ''predict'' 
  
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