library(neuralnet)
library(openxlsx)
data <- read.csv("Documents/Evidencia1.csv" )
str(data)
## 'data.frame': 12510 obs. of 6 variables:
## $ ent : int 0 0 0 0 0 1 1 1 1 1 ...
## $ mun : int 0 0 0 0 0 0 0 0 0 0 ...
## $ est : int 1 2 3 4 5 1 2 3 4 5 ...
## $ pea : num 58.743 0.165 58.471 59.015 0.281 ...
## $ ocupados : num 96.546 0.079 96.416 96.677 0.082 ...
## $ informales: num 55.237 0.271 54.791 55.682 0.49 ...
#Normalizamos los datos
data$pea <- (data$pea - min(data$pea)) / (max(data$pea) - min(data$pea))
hist(data$pea)
data$ocupados <- (data$ocupados - min(data$ocupados)) / (max(data$ocupados) - min(data$ocupados))
hist(data$ocupados)
data$informales <- (data$informales - min(data$informales)) / (max(data$informales) - min(data$informales))
hist(data$informales)
#Train
set.seed(37)
inp <- sample(2, nrow(data), replace = TRUE, prob = c(0.7, 0.3))
training_data <- data[inp==1, ]
test_data <- data[inp==2, ]
#Crear la red
set.seed(300) #hidden es la cantidad de neuronas en la capa escondida, stepmax es que tantos pasos hará
red <- neuralnet(pea~ ocupados + informales,
data = training_data,
hidden = 3,
linear.output = FALSE,
lifesign = 'full',
rep = 2,
algorithm = "rprop+",
stepmax = 800000)
## hidden: 3 thresh: 0.01 rep: 1/2 steps: 789 error: 8.35893 time: 0.63 secs
## hidden: 3 thresh: 0.01 rep: 2/2 steps: 1000 min thresh: 0.0559863606164079
## 2000 min thresh: 0.0146741424908057
## 3000 min thresh: 0.0146741424908057
## 3458 error: 8.11757 time: 2.41 secs
?neuralnet
plot(red, rep = 1)
