Herramientas de usuario
clase:iabd:pia:1eval:tema01
Diferencias
Muestra las diferencias entre dos versiones de la página.
| Ambos lados, revisión anterior Revisión previa Próxima revisión | Revisión previa | ||
|
clase:iabd:pia:1eval:tema01 [2023/10/21 11:26] admin [Ejercicios] |
clase:iabd:pia:1eval:tema01 [2023/10/22 14:28] (actual) admin [Ejercicios] |
||
|---|---|---|---|
| Línea 352: | Línea 352: | ||
| ==== Ejercicio 2 ==== | ==== Ejercicio 2 ==== | ||
| - | Vamos a ver como se comportan las predicciones haciendo distintos cambios en nuestra | + | Modifica ahora la red neuronal |
| - | Los cambios son los siguientes: | + | |
| - | * **No random seed** | + | * La 2º capa oculta tenga 6 neuronas |
| - | Deberás eliminar las siguientes líneas: | + | * La 3º capa oculta tenga 4 neuronas |
| - | <sxh python> | + | * La 4º capa seguirá teniendo 1 neurona |
| - | np.random.seed(5) | + | |
| - | tf.random.set_seed(5) | + | |
| - | random.seed(5) | + | |
| - | </ | + | |
| - | + | ||
| - | + | ||
| - | * **2 épocas** | + | |
| - | + | ||
| - | En el método '' | + | |
| - | + | ||
| - | + | ||
| - | * **Red neuronal pequeña** | + | |
| - | + | ||
| - | Modifica el código python de la red neuronal original de forma que: | + | |
| - | | + | |
| - | * La 2º capa oculta tenga 6 capas en vez de 12 | + | |
| - | * La 3º capa oculta tenga 4 capas en vez de 6 | + | |
| Usando la web [[http:// | Usando la web [[http:// | ||
| - | Ahora muestra los resultados | + | Ahora muestra los resultados |
| - | | **Largo Sépalo** | + | | **Largo Sépalo** |
| - | | 5.4 | + | | 5.4 |
| - | | 5.5 | + | | 5.5 |
| Línea 401: | Línea 384: | ||
| flower_type=iris.target[: | flower_type=iris.target[: | ||
| </ | </ | ||
| + | |||
| + | Entrena la red con los nuevos datos | ||
| Muestra la gráfica con los datos de entrada usando el código: | Muestra la gráfica con los datos de entrada usando el código: | ||
| Línea 489: | Línea 474: | ||
| <sxh> | <sxh> | ||
| + | #Para que los datos no se muestren con notación científica | ||
| + | np.set_printoptions(suppress=True) | ||
| + | |||
| print(x[56], | print(x[56], | ||
| </ | </ | ||
| - | Ahora indica | + | Ahora muestra |
| Línea 503: | Línea 491: | ||
| | | | | ||
| | | | | ||
| - | | | + | | |
| + | | | ||
| Línea 512: | Línea 501: | ||
| | | | | ||
| + | ¿Es una buena red? | ||
| + | Usa hora una red más pequeña de forma que tenga las siguientes capas: | ||
| + | | **Nº Capa** | ||
| + | | | ||
| + | | | ||
| + | | | ||
| + | | | ||
| - | ==== Ejercicio 6 ==== | ||
| - | En este caso, vamos a utilizar un conjunto de datos para clasificar tipos de vino. | ||
| - | Los datos se obtienen de la siguiente | + | Rellena |
| - | <sxh python> | + | | **Fila Datos** |
| - | from sklearn.datasets import load_wine | + | | |
| + | | | ||
| - | wine=load_wine() | + | ¿Es una buena red? |
| - | x = wine.data | + | ==== Ejercicio 6 ==== |
| - | y = wine.target | + | Repite la red pequeña del ejercicio |
| + | < | ||
| + | np.random.seed(5) | ||
| + | tf.random.set_seed(5) | ||
| + | random.seed(5) | ||
| </ | </ | ||
| - | Igual que el ejercicio anterior, deberás hacer 3 redes neuronales distintas ( llamadas **A**, **B** y **C**) y comprobar las predicciones | + | Rellena la siguiente tabla y muestrala con una **red con la semilla 6** |
| - | | | + | | **Fila Datos** | **Resultado |
| - | | **1º** | + | | 56 |
| - | | **2º** | + | | 204 |
| - | | | + | |
| - | | | + | |
| + | Rellena la siguiente tabla y muestrala con una **red con la semilla 88** | ||
| + | | **Fila Datos** | ||
| + | | | ||
| + | | | ||
clase/iabd/pia/1eval/tema01.1697880375.txt.gz · Última modificación: 2023/10/21 11:26 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
