Muestra las diferencias entre dos versiones de la página.
Ambos lados, revisión anterior Revisión previa Próxima revisión | Revisión previa Próxima revisión Ambos lados, revisión siguiente | ||
clase:iabd:pia:1eval:tema01 [2021/09/19 18:06] admin [Ejercicios] |
clase:iabd:pia:1eval:tema01 [2023/10/21 11:36] 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) | ||
</ | </ | ||
Línea 353: | Línea 355: | ||
Los cambios son los siguientes: | Los cambios son los siguientes: | ||
- | * 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) | ||
</ | </ | ||
Línea 473: | Línea 476: | ||
{{ : | {{ : | ||
+ | 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 | + | {{ : |
- | Usando | + | 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 '' | ||
+ | |||
+ | < | ||
+ | print(x[56],y[56]) | ||
+ | </ | ||
+ | |||
+ | Ahora indica los valores | ||
+ | |||
+ | |||
+ | Crea una red neuronal en las que en cada capa tenga los siguientes números de neuronas: | ||
+ | |||
+ | | **Nº Capa** | ||
+ | | | ||
+ | | | ||
+ | | | ||
+ | | | ||
+ | | | ||
+ | | | ||
+ | |||
+ | |||
+ | Rellena la siguiente tabla y muestrala | ||
+ | |||
+ | | **Fila Datos** | ||
+ | | | ||
+ | | | ||
+ | |||
+ | |||
+ | |||
+ | |||
+ | |||
+ | ==== 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 | ||
+ | </ | ||
+ | |||
+ | Igual que el ejercicio anterior, deberás hacer 3 redes neuronales | ||
| 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 484: | Línea 538: | ||
| | | | ||
- | Para ver los datos junto a su predicción puedes usar las siguientes líneas: | ||
- | <sxh python> | ||
- | np.set_printoptions(threshold=np.inf) | ||
- | np.set_printoptions(suppress=True) | ||
- | np.column_stack((x, | ||
- | </ | ||
- | |||
- | Y mostrará algo simular a ésto: | ||
- | <sxh base> | ||
- | array([[ | ||
- | | ||
- | | ||
- | | ||
- | | ||
- | 25.38 , | ||
- | | ||
- | | ||
- | | ||
- | | ||
- | | ||
- | | ||
- | | ||
- | 24.99 , | ||
- | | ||
- | | ||
- | |||
- | |||
- | ..................... | ||
- | | ||
- | | ||
- | | ||
- | | ||
- | | ||
- | | ||
- | | ||
- | 25.74 , | ||
- | | ||
- | | ||
- | | ||
- | | ||
- | | ||
- | | ||
- | | ||
- | | ||
- | | ||
- | | ||
- | </ | ||
- | Siendo la última columna es resultado que debe dar. Y las 30 primeras columnas la entrada al método '' | ||