Pase de materia

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:

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

Paso 1 - librerías

#install.packages("neurnalnet")
library(neuralnet)

Paso 2 - Obtener datos

examen <- c(20,10,30,20,80,30)
proyecto <- c(90,20,40,50,50,80)
status <- c(1,0,0,0,0,1)

df1 <- data.frame(examen, proyecto, status)
df1

##   examen proyecto status
## 1     20       90      1
## 2     10       20      0
## 3     30       40      0
## 4     20       50      0
## 5     80       50      0
## 6     30       80      1

Paso 3: Crear Red Neuronal

set.seed(123)
rn1 <- neuralnet(status ~ ., data = df1)
summary(rn1)

##                     Length Class      Mode    
## call                 3     -none-     call    
## response             6     -none-     numeric 
## covariate           12     -none-     numeric 
## model.list           2     -none-     list    
## err.fct              1     -none-     function
## act.fct              1     -none-     function
## linear.output        1     -none-     logical 
## data                 3     data.frame list    
## exclude              0     -none-     NULL    
## net.result           1     -none-     list    
## weights              1     -none-     list    
## generalized.weights  1     -none-     list    
## startweights         1     -none-     list    
## result.matrix        8     -none-     numeric

plot(rn1, rep="best")

Paso 4 - 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