Actividad 4.2

Análisis de Sentimientos

ShinyApp

Redes Neuronales

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

Ejemplos de aplicacion de Redes Neuronales:
1. La recomendación de contenido de Netflix.
2. El feed de Tik Tok, o Instagram.

Ejercicio Prueba de Examen

1. Instalar paquetes y llamar librerias

#install.packages("neuralnet")
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 Neural

red_neuronal<- neuralnet(estatus~ .,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,] 0.3997525
## [2,] 0.3997525
## [3,] 2.9519044

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

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

Ejercicio Cáncer de Mama

1. Llamar librería

library(neuralnet)

2. Cargar Base de Datos

df_cancer<-read.csv("C:\\Users\\ca\\Desktop\\R Studio\\Modulo 4\\cancer_de_mama.csv")
df_cancer$diagnosis<-ifelse(df_cancer$diagnosis=="M",1,0)

3. Generar Red Neuronal

red_neuronal_cancer<- neuralnet(diagnosis~ .,data=df_cancer)
plot(red_neuronal_cancer,rep="best")

4. Predecir con la Red Neuronal

filas<-c(3,8,10,108,110,111)

prueba_cancer<-df_cancer[filas,]
prediccion_cancer<-compute(red_neuronal_cancer,prueba_cancer)
prediccion_cancer$net.result

##          [,1]
## 3   0.3725839
## 8   0.3725839
## 10  0.3725839
## 108 0.3725839
## 110 0.3725839
## 111 0.3725839

probabilidad_cancer<-prediccion_cancer$net.result
resultado_cancer<-ifelse(probabilidad_cancer>0.5,1,0)
resultado_cancer

##     [,1]
## 3      0
## 8      0
## 10     0
## 108    0
## 110    0
## 111    0

Series de Tiempo

Una serie de tiempo es una coleccion de observaciones sobre un determinado fenomeno efectuadas en momentos de tiempo sucesivos, usualmente equiespaciados.

Ejemplos de series de tiempo son:
1. Precio de acciones.
2. Niveles de inventario.
3. Rotacion de personal.
4. Ventas.

Ejemplo Inicial

1. Instalar paquetes y llamar librerías

# install.packages("forecast")
library(forecast)

## Registered S3 method overwritten by 'quantmod':
##   method            from
##   as.zoo.data.frame zoo

2. Crear la series de tiempo

# Paso 1> Obtener los valores dependientes.
produccion<- c(50,53,55,57,55,60)

# Paso 2. Agregar a los valores anteriores su tiempo correspondiente.

serie_de_tiempo<- ts(data=produccion, start=c(2020,1), frequency=4)
serie_de_tiempo

##      Qtr1 Qtr2 Qtr3 Qtr4
## 2020   50   53   55   57
## 2021   55   60

3. Crear modelo ARIMA

# ARIMA: AutoRegressive Integrated Moving Average o Modelo Autoregresivo Integrado de Media Movil.
# ARIMA (p,d,q)
# p=orden de auto-regresion
# d=orden de integracion (diferenciacion)
# q=orden del promedio movil
# Cuando se usa?
# Cuando las estimaciones futuras se explican por los datos del pasado y no por las variables independientes.
# Ejemplo: Tipo de Cambio.

modelo <- auto.arima(serie_de_tiempo, D=1)
modelo

## Series: serie_de_tiempo 
## ARIMA(0,0,0)(0,1,0)[4] with drift 
## 
## Coefficients:
##        drift
##       1.5000
## s.e.  0.1768
## 
## sigma^2 = 2.01:  log likelihood = -2.84
## AIC=9.68   AICc=-2.32   BIC=7.06

summary(modelo)

## Series: serie_de_tiempo 
## ARIMA(0,0,0)(0,1,0)[4] with drift 
## 
## Coefficients:
##        drift
##       1.5000
## s.e.  0.1768
## 
## sigma^2 = 2.01:  log likelihood = -2.84
## AIC=9.68   AICc=-2.32   BIC=7.06
## 
## Training set error measures:
##                      ME      RMSE       MAE        MPE      MAPE       MASE
## Training set 0.03333332 0.5787923 0.3666667 0.03685269 0.6429133 0.06111111
##                    ACF1
## Training set -0.5073047

4. Realizar el pronóstico

pronostico<-forecast(modelo, level=c(95), h=5)
pronostico

##         Point Forecast    Lo 95    Hi 95
## 2021 Q3             61 58.22127 63.77873
## 2021 Q4             63 60.22127 65.77873
## 2022 Q1             61 58.22127 63.77873
## 2022 Q2             66 63.22127 68.77873
## 2022 Q3             67 63.07028 70.92972

plot(pronostico)

Banco Mundial

Concepto

El Banco Mundial (WB) es un organismo multinacional especializado en finanzas.

En R se puede acceder a sus indicadores a través de la librería WBI.

1. Instalar paquetes y llamar librerías

# install.packages("WDI")
library(WDI)

#install.packages("wbstats")
library(wbstats)

library(tidyverse)

## ── Attaching core tidyverse packages ──────────────────────── tidyverse 2.0.0 ──
## ✔ dplyr     1.1.2     ✔ readr     2.1.4
## ✔ forcats   1.0.0     ✔ stringr   1.5.0
## ✔ ggplot2   3.4.3     ✔ tibble    3.2.1
## ✔ lubridate 1.9.2     ✔ tidyr     1.3.0
## ✔ purrr     1.0.1     
## ── Conflicts ────────────────────────────────────────── tidyverse_conflicts() ──
## ✖ dplyr::compute() masks neuralnet::compute()
## ✖ dplyr::filter()  masks stats::filter()
## ✖ dplyr::lag()     masks stats::lag()
## ℹ Use the conflicted package (<http://conflicted.r-lib.org/>) to force all conflicts to become errors

2. Crear la serie de tiempo

# Paso 1> Obtener los valores dependientes.
gdp_data <- wb_data(country = "MX", indicator = "NY.GDP.MKTP.CD", start_date = 1973, end_date = 2022)

# Paso 2. Agregar a los valores anteriores su tiempo correspondiente.
# serie_de_tiempo_banco<- ts(data=gdp_data$NY.GDP.MKTP.CD, start=c(1973,1), frequency=1, end=c(2022,1))
serie_de_tiempo_banco<- ts(data=gdp_data$NY.GDP.MKTP.CD, start=c(1973,1), frequency=1)
serie_de_tiempo_banco

## Time Series:
## Start = 1973 
## End = 2022 
## Frequency = 1 
##  [1] 5.528021e+10 7.200018e+10 8.800000e+10 8.887679e+10 8.191250e+10
##  [6] 1.026473e+11 1.345296e+11 2.055770e+11 2.638021e+11 1.846036e+11
## [11] 1.561675e+11 1.842312e+11 1.952414e+11 1.345561e+11 1.475426e+11
## [16] 1.816112e+11 2.214031e+11 2.612537e+11 3.131397e+11 3.631578e+11
## [21] 5.007334e+11 5.278106e+11 3.600725e+11 4.109730e+11 5.004160e+11
## [26] 5.264997e+11 6.002330e+11 7.079099e+11 7.567029e+11 7.721097e+11
## [31] 7.293350e+11 7.822429e+11 8.774769e+11 9.753834e+11 1.052697e+12
## [36] 1.109987e+12 9.000470e+11 1.057801e+12 1.180487e+12 1.201094e+12
## [41] 1.274444e+12 1.315356e+12 1.171870e+12 1.078493e+12 1.158912e+12
## [46] 1.222406e+12 1.269010e+12 1.090515e+12 1.272839e+12 1.414187e+12
## attr(,"label")
## [1] GDP (current US$)

3. Crear Modelo ARIMA

modelo_banco <- auto.arima(serie_de_tiempo_banco)
modelo_banco

## Series: serie_de_tiempo_banco 
## ARIMA(0,1,0) 
## 
## sigma^2 = 7.381e+21:  log likelihood = -1303.18
## AIC=2608.36   AICc=2608.44   BIC=2610.25

# Le hacemos "summary" para visualizar el error MAPE.
summary(modelo_banco)

## Series: serie_de_tiempo_banco 
## ARIMA(0,1,0) 
## 
## sigma^2 = 7.381e+21:  log likelihood = -1303.18
## AIC=2608.36   AICc=2608.44   BIC=2610.25
## 
## Training set error measures:
##                       ME        RMSE         MAE      MPE     MAPE     MASE
## Training set 27179245230 85046847387 67623045592 4.943879 14.05421 0.980016
##                     ACF1
## Training set -0.01519178

4. Realizar el pronóstico

pronostico_banco<-forecast(modelo_banco, level=c(95), h=5)
pronostico_banco

##      Point Forecast        Lo 95        Hi 95
## 2023   1.414187e+12 1.245806e+12 1.582568e+12
## 2024   1.414187e+12 1.176060e+12 1.652314e+12
## 2025   1.414187e+12 1.122543e+12 1.705832e+12
## 2026   1.414187e+12 1.077425e+12 1.750949e+12
## 2027   1.414187e+12 1.037676e+12 1.790699e+12

plot(pronostico_banco)