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 18:06]
admin [Ejercicios] 		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 |}}
  
-Usando la web [[http://alexlenail.me/NN-SVG/index.html]] también deberás dibujar cada una de las redes neuronales que acabas de crear+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 484: Línea 541:
 |   **4º**  |     |    |    | |   **4º**  |     |    |    |
  
-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)) 
-</sxh> 
- 
-Y mostrará algo simular a ésto: 
-<sxh base> 
-array([[  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