M2_Redes Neuronales

Teoría

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

Algunos ejemplos de aplicación de ANN son:

• Las recomendación de contenido de Netflix.
  
• El feed de Instagram.
  
• Determinar el número escrito a mano.

Ejercio 1. ¿Pasé la materia?

Llamar librerias

library(neuralnet)
library(caret)

Obtención de datos

examen = c(20,10,30,20,80,30)
proyecto = c(90,20,40,50,50,80)
estatus = c(1,0,0,0,0,1)
df1 = data.frame(examen, proyecto, estatus)

Generar la Red Neuronal

set.seed(123)
rn1 = neuralnet(estatus ~ ., data =df1)
plot(rn1, rep="best")

Predecir Resultados

prueba_examen = c(30,40,85)
prueba_proyecto = c(85,50,40)
prueba1 = data.frame(prueba_examen,prueba_proyecto)
prediccion = compute(rn1,prueba1)
prediccion$net.result

##             [,1]
## [1,]  1.04011743
## [2,] -0.02359178
## [3,] -0.02359178

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

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

Ejercicio 2. Cancer de mama

Obtención de base de datos

df2= read.csv("C:\\Users\\Silva\\Downloads\\cancer_de_mama.csv") # Extraer la base de datos
df2$diagnosis <- ifelse(df2$diagnosis == "M", 1, 0) # Cambiar hacia binario la variable discriminante

# Establecer la semilla para reproducibilidad
set.seed(123)

# Definir los sets de datos
trainIndex1 = createDataPartition(df2$diagnosis, p = 0.75, list = FALSE, times = 1)
train = df2[trainIndex1, ]
test = df2[-trainIndex1, ]

test1 = test[, -which(names(test) == "diagnosis")]

Generar la Red Neuronal

rn2 = neuralnet(diagnosis ~ ., data =train, hidden= c(5), linear.output = FALSE)
plot(rn2, rep="best")

Predecir Resultados

# Realizar la predicciones del set de prueba 
prediccion2 = compute(rn2,test1)
resultado2 = ifelse(prediccion2$net.result>0.5, 1, 0)

# Comparación de resultados 
revision = cbind(test, resultados = prediccion2$net.result)
revision = revision[, c("diagnosis","resultados"), drop = FALSE]
revision$resultados = ifelse(revision$resultados>0.5, 1, 0)

# Porcentaje de accuracy
precision <- ((sum(revision$diagnosis == revision$resultados)) / (nrow(revision))) * 100

# Mostrar el resultado
cat("Porcentaje de precisión:", precision, "%")

## Porcentaje de precisión: 98.59155 %