Actividad 4.7

Redes Neuronales

Una Red Neural Artificial (ANN) modela la relación entre un conjunto de entradas y una salida, resolviendo un problema de aprendizaje.

Un ejemplo de aplicación de Redes Neuronales es 1. La recomendación de contenido de Netflix. 2. El feed de Tiktok, o instagram.

1. Instalar paquetes y llamar librerías

library(neuralnet)

2. Alimentar con ejemplos

examen <- c(20,10,30,20,80,30)
proyecto <- c(90,20,40,50,50,80)
estatus <- c(1,0,0,0,1,1)
df <- data.frame(examen, proyecto, estatus)

3. Generar Red Neuronal

red_neuronal <- neuralnet(estatus ~ examen + proyecto, data=df)
plot(red_neuronal, rep = 'best')

4. Predecir con la red neuronal

prueba_examen <- c(30,40,85)
prueba_proyecto <- c(85,50,40)
prueba <- data.frame(prueba_examen, prueba_proyecto)

prediccion <- compute(red_neuronal, prueba)
prediccion$net.result 

##           [,1]
## [1,] 0.4000450
## [2,] 0.4000450
## [3,] 0.9937279

probabilidad <- prediccion$net.result
resultado <- ifelse(probabilidad>0.5,1,0)
resultado

##      [,1]
## [1,]    0
## [2,]    0
## [3,]    1

Ejercico Red Neuronal

1. Instalar paquetes y llamar librerías

library(neuralnet)
library(dplyr)

## 
## Attaching package: 'dplyr'

## The following object is masked from 'package:neuralnet':
## 
##     compute

## The following objects are masked from 'package:stats':
## 
##     filter, lag

## The following objects are masked from 'package:base':
## 
##     intersect, setdiff, setequal, union

2. Alimentar con base de datos

data <-  read.csv("C:\\Users\\enriq\\OneDrive\\Documentos\\Datos a Desiciones\\Modulo4\\cancer_de_mama.csv")
data <- na.omit(data)

3. Asignar valores númericos a la variable dependiente

data <- data %>%
  mutate(diagnosis = ifelse(diagnosis == "M", 1, ifelse(diagnosis == "V", 0, diagnosis)))

4. Dividimos los datos en entrenamiento y prueba

inp <- sample(2, nrow(data), replace = TRUE, prob = c(0.7, 0.3))
training_data <- data[inp==1, ]
test_data <- data[inp==2, ]

??neuralnet ## 5. Generar Red Neuronal

set.seed(222)
attach(data)
n <- neuralnet(diagnosis~.,
               data = training_data,
               hidden = 5,
               err.fct = "sse",
               linear.output = FALSE,
               lifesign = 'full',
               rep = 1,
               algorithm = "rprop+",
               stepmax = 500000)

## hidden: 5    thresh: 0.01    rep: 1/1    steps:    1000  min thresh: 0.811175679947158
##                                                    2000  min thresh: 0.811175679947158
##                                                    3000  min thresh: 0.811175679947158
##                                                    4000  min thresh: 0.811175679947158
##                                                    5000  min thresh: 0.811175679947158
##                                                    6000  min thresh: 0.811175679947158
##                                                    7000  min thresh: 0.811175679947158
##                                                    8000  min thresh: 0.507115381444797
##                                                    9000  min thresh: 0.189603224575751
##                                                   10000  min thresh: 0.0424275576286728
##                                                   11000  min thresh: 0.0424275576286728
##                                                   12000  min thresh: 0.0424275576286728
##                                                   13000  min thresh: 0.0424275576286728
##                                                   14000  min thresh: 0.0424275576286728
##                                                   15000  min thresh: 0.0389191946319809
##                                                   16000  min thresh: 0.0389191946319809
##                                                   17000  min thresh: 0.0389191946319809
##                                                   18000  min thresh: 0.0389191946319809
##                                                   19000  min thresh: 0.0172709087879526
##                                                   20000  min thresh: 0.0131333143677779
##                                                   21000  min thresh: 0.0131333143677779
##                                                   22000  min thresh: 0.0131333143677779
##                                                   23000  min thresh: 0.0131333143677779
##                                                   24000  min thresh: 0.0131333143677779
##                                                   25000  min thresh: 0.0131333143677779
##                                                   26000  min thresh: 0.01197042426821
##                                                   27000  min thresh: 0.0101981994588424
##                                                   28000  min thresh: 0.0101981994588424
##                                                   29000  min thresh: 0.0101981994588424
##                                                   30000  min thresh: 0.0101981994588424
##                                                   31000  min thresh: 0.0101981994588424
##                                                   32000  min thresh: 0.0101981994588424
##                                                   32525  error: 0.75057  time: 8.81 secs

plot(n, rep = 'best')

6. Cambiar las predicciones de 0 y 1 a M, V

# Obtener las predicciones como 0 o 1
output <- neuralnet::compute(n, rep = 1, test_data[, -1])
p <- output$net.result
pred <- ifelse(p >= 0.5, "M", "V")

7. Matriz de Confusión

# Asegurarse de que ambos vectores tengan la misma longitud
n <- min(length(pred), length(test_data$diagnosis))
pred <- pred[1:n]
actual <- test_data$diagnosis[1:n]

# Crear la matriz de confusión
tab <- table(pred, actual)
tab

##     actual
## pred   1   B
##    M  51   4
##    V   6 114

8. Porcentaje de error total

#Con esta operación obtenemos el porcentaje de error total (usando datos de la matrix de confusión)
1 - sum(diag(tab)) / sum(tab)

## [1] 0.05714286