Redes Neuronales
Enviado por moisesjct • 24 de Septiembre de 2014 • 427 Palabras (2 Páginas) • 172 Visitas
E-Mail: moisesjct@hotmail.com
Redes Neuronales –Clasificador
En la práctica de uso de redes neuronales como clasificador, opte por usar la información acerca de los pasadores elite que participan o participaron en la NFL (National Football League).
Esto consistía en una serie de datos, logros y estadísticas personales de los jugadores en esta liga como intentos de pases, pases completados, yardas totales, pases a touchdown, intercepciones y rating en la NFL. Los cuales se clasificaran para hacer o no ser jugadores del salón de la fama.
El programa inicia extrayendo los datos a analizar
Estos se dividen en datos de entrenamiento(X, X1,X2,X3…XN), los cuales servirán para entrenar nuestra red con la información, también obtenemos los datos de salida de nuestros datos (normalmente como fue clasificado la información Y1 o Y2).
Luego también extraemos los datos los cuales simularemos dentro de nuestra red ya entrenada, los cuales son también los datos de entradas y salidas.
En el caso del clasificador se usas una función de activación la cual usaremos como ‘tansig’. f.1 funcion ‘tansig’(tangente signoide).
A continuación usaremos la estrategia de aprendizaje con la cual entrenaremos nuestra red, en clases se vio diferentes tipos de estrategias Quasi Newton back propagation, Levenber Marquaiat, Polak Ribiene, Conjugat gradiant, Flatcherpreves, todas responden diferentes, unas son mejor que otras pero eso solo se puede saber al estar entrenando la red con cada uno de los diferentes estrategias y analizando su respuesta que entregue la red. Se utiliza la función gradiente descendiente, el error cuadrático, el número de neuronas internas para formar la red. Una vez teniendo todos los datos procedemos a formar nuestra red.
En este caso se declara el porcentaje con respecto a los datos de entrenamiento al principio declarado, usaremos el 70% para el training, un 15% para la validación y otro 15% para el test.
Procedemos al entrenamiento de nuestra red, con los valores de entrada de entrenamiento y los valores de salida de entrenamiento.
Ahorra usaremos la red ya entrenada para evaluarla contra datos no utilizados antes los cuales les llamamos datos de simulación.
La red neuronal generara la clasificación de los nuevos datos introducidos (datos de simulación) y la red procederá a clasificarlos, pero ¿Como sabremos que los nuevos valores están clasificados correctamente?
Bueno para esto, al inicio declaramos los datos de salida del simulador que son los valores reales y nuestra red arrojara supuestamente correctos valores, estos valores se comparan y logramos obtener la tasa de reconocimiento que genero nuestra red.
El programa genera una matriz de confusión la cual muestra el porcentaje de aciertos y fallas de nuestra red respecto a los valores que intenta
...