Introducción #
Ejemplo extraído del video Machine Learning episodio 6. Redes neuronales.
El ejemplo esta creado el Jupiter Notebool y se irá poniendo el código de las distintas celdas.
En este ejemplo se usa la librería Scikit learn(Sklearn) que según el video no es lo mejor para ello. Hay que mejores como TenserFlow pero requiere de más conocimientos de algebra lineal.
Código #
Librerias del proceso
import sklearn
# Set de datos
from sklearn.datasets import load_iris
# Separación de datos de entrenamiento y test
from sklearn.model_selection import train_test_split
# Clasificador de la red neuronal
from sklearn.neural_network import MLPClassifier
Datos para pasarle al clasificador
# Carga de datos
iris = load_iris()
Características de los datos
# Datos con las características
caract = iris.data
Etiquetas de los datos
# Datos con las etiquetas
etiq = iris.target
# Separación de los datos de test y entrenamiento
X_ent, X_test, y_ent, y_test = train_test_split(caract, etiq)
Creación de la red neuronal
# Se asigna el model de la red neuronal
# max_iter indica que las veces en que los nodos se van a intercambiar información
# para aprender solo va ocurrir 10 veces.
# hidden_layer_sizes indica que va una capa oculta que tendrá 10 nodos.
red = MLPClassifier(max_iter=10, hidden_layer_sizes=(10))
Entrenamiento
# Se entra al algoritmo
red.fit(X_ent, y_ent)
Resultado
# Resultado del entrenamiento
red.score(X_test,y_test)
En este ejemplo devuelve un 28% predicciones correctas, es un valor muy malo. Para mejorarlo se puede subir el valor de MAX_ITER a 100, con que el % de aprendizaje sube al 81%. Si aumentamos a 500 el valor de MAX_ITER el % sube al 97%.
Hay que tener en cuenta que el set de datos de Iris es pequeño y al aumentar el número de iteracciones no afecta mucho al tiempo total de calculo. Contra más datos se tenga y más iteracciones se hagan más tiempo consumaría el algoritmo de aprendizaje.
En HIDDEN_LAYER_SIZES se le puede pasar un valor de 10,10. Esto quiere decir que habrá 10 capas ocultas y en cada una de ellas 10 nodos.
Hay que tener en cuenta que si el resultado del entrenamiento es del 100% es que muy posiblemente tenga un sobreajuste.