Herramientas de usuario

Herramientas del sitio


clase:iabd:pia:2eval:tema10

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
clase:iabd:pia:2eval:tema10 [2025/01/05 19:37]
admin [Ejemplo]
clase:iabd:pia:2eval:tema10 [2025/01/06 11:22] (actual)
admin [Ejemplo]
Línea 85: Línea 85:
 </sxh> </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.   * Ahora los transformamos en la estructura que quiere Keras que es una matriz para cada dato. Fijarse que la ''y'' también es una matriz.
Línea 128: Línea 129:
  
 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''). 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.+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   * Ahora vamos a crear la red y entrenarla
Línea 155: Línea 156:
 history=fit(model,x_entrenamiento, y_entrenamiento, x_validacion, y_validacion,30) history=fit(model,x_entrenamiento, y_entrenamiento, x_validacion, y_validacion,30)
 </sxh> </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   * Vamos a mostrar la gráfica de la pérdida en cada época
Línea 165: Línea 168:
 axes_configure_labels(axes,"Loss por época","Épocas","MSE") axes_configure_labels(axes,"Loss por época","Épocas","MSE")
 </sxh> </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.   * 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.
Línea 172: Línea 177:
  
 y_pred_entrenamiento=model.predict(x_entrenamiento) y_pred_entrenamiento=model.predict(x_entrenamiento)
-y_entrenamiento_inverse_transform=scaler.inverse_transform(y_entrenamiento).reshape(-1)+y_entrenamiento_inverse_transform=scaler.inverse_transform(y_entrenamiento)
 y_pred_entrenamiento_inverse_transform=scaler.inverse_transform(y_pred_entrenamiento) y_pred_entrenamiento_inverse_transform=scaler.inverse_transform(y_pred_entrenamiento)
  
Línea 178: Línea 183:
  
 y_pred_validacion=model.predict(x_validacion) y_pred_validacion=model.predict(x_validacion)
-y_validacion_inverse_transform=scaler.inverse_transform(y_validacion.reshape(-1,1)+y_validacion_inverse_transform=scaler.inverse_transform(y_validacion) 
-y_pred_validacion_inverse_transform=scaler.inverse_transform(y_pred_validacion.reshape(-1,1))+y_pred_validacion_inverse_transform=scaler.inverse_transform(y_pred_validacion)
  
  
Línea 215: Línea 220:
 </sxh> </sxh>
  
 +{{:clase:iabd:pia:2eval:ejemplo1_gru_resultados.png|}}
  
clase/iabd/pia/2eval/tema10.1736102264.txt.gz · Última modificación: 2025/01/05 19:37 por admin