Diferencias

Muestra las diferencias entre dos versiones de la página.

--- clase:iabd:pia:2eval:tema10 [2025/01/05 19:17]
admin [Ejemplo]
+++ clase:iabd:pia:2eval:tema10 [2025/01/06 11:22] (actual)
admin [Ejemplo]
@@ Línea 53: / Línea 53: @@
 ===== Ejemplo =====
+Vamos a hacer una red neuronal que dado 24 temperatura (una por cada hora) obtener la temperatura que hará 12 horas despues.
@@ Línea 85: / Línea 85: @@
 </sxh>
+{{:clase:iabd:pia:2eval:ejemplo1_gru_datos_originales.png|}}
+  * Ahora los transformamos en la estructura que quiere Keras que es una matriz para cada dato. Fijarse que la ''y'' también es una matriz.
+<sxh python>
+def get_datos(serie_datos,tamanyo_ventana=24,adelanto_prediccion=12):
+    size=len(serie_datos)
+    x=[]
+    y=[]
+    for i in range(size-tamanyo_ventana-adelanto_prediccion):
+        x.append(serie_datos[i:i+tamanyo_ventana])
+        y.append(serie_datos[i+tamanyo_ventana+adelanto_prediccion])
+    x=np.array(x)
+    y=np.array(y)
+    size_entrenamiento=math.floor(x.shape[0]*0.8)
+    x_entrenamiento=x[0:size_entrenamiento]
+    x_validacion=x[size_entrenamiento:]
+    y_entrenamiento=y[0:size_entrenamiento]
+    y_validacion=y[size_entrenamiento:]
+    return x_entrenamiento.reshape(-1,tamanyo_ventana,1), y_entrenamiento.reshape(-1,1), x_validacion.reshape(-1,tamanyo_ventana,1), y_validacion.reshape(-1,1)
+scaler = MinMaxScaler()
+temperaturas_scaled = scaler.fit_transform(temperaturas.reshape(-1,1)).reshape(temperaturas.shape)
+x_entrenamiento, y_entrenamiento, x_validacion, y_validacion=get_datos(temperaturas_scaled,tamanyo_ventana=24,adelanto_prediccion=12)
+</sxh>
+En nuestro ejemplo lo que hemos hecho es que para cada 24 temperaturas (''tamanyo_ventana=24'') , obtener la temperatura que habrá 12 horas después (''adelanto_prediccion=12'').
+Tambien hemos escalado los datos, lo cual es importante para que la red funcione mejor. Por último fíjate que tanto la ''x'' como la ''y'' son matrices ''x_entrenamiento.reshape(-1,tamanyo_ventana,1)'' y ''y_entrenamiento.reshape(-1,1)''
+  * Ahora vamos a crear la red y entrenarla
+<sxh python>
+def get_model(shape):
+    model=Sequential()
+    model.add(Input(shape=shape))
+    model.add(GRU(24, activation='swish', return_sequences=True))
+    model.add(Dropout(0.1))
+    model.add(GRU(50, activation='swish', return_sequences=True ))
+    model.add(Dropout(0.1))
+    model.add(GRU(24, activation='swish', return_sequences=False))
+    model.add(Dropout(0.1))
+    model.add(Dense(1, activation='linear'))
+    model.compile(loss='mean_squared_error',optimizer="adam")
+    return model
+def fit(model,x_entrenamiento, y_entrenamiento, x_validacion, y_validacion,epochs):
+    history=model.fit(x_entrenamiento,y_entrenamiento,validation_data=(x_validacion,y_validacion),epochs=epochs,verbose=False)
+    return history
+model=get_model(shape=x_entrenamiento.shape[1:])
+history=fit(model,x_entrenamiento, y_entrenamiento, x_validacion, y_validacion,30)
+</sxh>
+Fijarse que en las capas ''GRU'' hay que indicar ''return_sequences=True'' excepto en la última que debe ser ''return_sequences=False''
+  * Vamos a mostrar la gráfica de la pérdida en cada época
+<sxh python>
+figure=plt.figure(figsize=(6,4))
+axes = figure.add_subplot(1,1,1)
+axes.plot(history.history['loss'],label=f"Loss:{history.history['loss'][-1]:.3f}")
+axes.plot(history.history['val_loss'],label=f"Val Loss:{history.history['val_loss'][-1]:.3f}")
+axes_configure_labels(axes,"Loss por época","Épocas","MSE")
+</sxh>
+{{:clase:iabd:pia:2eval:ejemplo1_gru_loss.png|}}
+  * Para acabar vamos a mostrar 4 gráficos en la que se va a sobreponer los datos verdaderos y los predichos, tanto en entrenamiento como en validación.
+<sxh python>
+y_pred_entrenamiento=model.predict(x_entrenamiento)
+y_entrenamiento_inverse_transform=scaler.inverse_transform(y_entrenamiento)
+y_pred_entrenamiento_inverse_transform=scaler.inverse_transform(y_pred_entrenamiento)
+y_pred_validacion=model.predict(x_validacion)
+y_validacion_inverse_transform=scaler.inverse_transform(y_validacion)
+y_pred_validacion_inverse_transform=scaler.inverse_transform(y_pred_validacion)
+figure=plt.figure(figsize=(20,25))
+axes = figure.add_subplot(4,1,1)
+axes.plot(y_entrenamiento_inverse_transform,label="Real")
+axes.plot(y_pred_entrenamiento_inverse_transform,label="Predicha")
+axes_configure_labels(axes,"Todos Entrenamiento","Tiempo","Temperatura")
+axes.set_xlim(xmin=0,xmax=y_entrenamiento_inverse_transform.shape[0])
+axes.set_ylim(ymin=-6,ymax=16)
+axes = figure.add_subplot(4,1,2)
+axes.plot(y_validacion_inverse_transform,label="Real")
+axes.plot(y_pred_validacion_inverse_transform,label="Predicha")
+axes_configure_labels(axes,"Todos Validacion","Tiempo","Temperatura")
+axes.set_xlim(xmin=0,xmax=y_entrenamiento_inverse_transform.shape[0])
+axes.set_ylim(ymin=-6,ymax=16)
+axes = figure.add_subplot(4,1,3)
+axes.plot(y_entrenamiento_inverse_transform,label="Real")
+axes.plot(y_pred_entrenamiento_inverse_transform,label="Predicha")
+axes_configure_labels(axes,"Últimos Entrenamiento","Tiempo","Temperatura")
+axes.set_xlim(xmin=y_entrenamiento_inverse_transform.shape[0]-500,xmax=y_entrenamiento_inverse_transform.shape[0])
+axes.set_ylim(ymin=-6,ymax=16)
+axes = figure.add_subplot(4,1,4)
+axes.plot(y_validacion_inverse_transform,label="Real")
+axes.plot(y_pred_validacion_inverse_transform,label="Predicha")
+axes_configure_labels(axes,"Últimos Validacion","Tiempo","Temperatura")
+axes.set_xlim(xmin=y_validacion_inverse_transform.shape[0]-500,xmax=y_validacion_inverse_transform.shape[0])
+axes.set_ylim(ymin=-6,ymax=16)
+</sxh>
-  * Ahora los transformamos en la estructura que quiere Keras que es una matriz para cada dato.
+{{:clase:iabd:pia:2eval:ejemplo1_gru_resultados.png|}}

logongas

Herramientas de usuario

Herramientas del sitio

Diferencias

Herramientas de la página