Una red neural (ANN) modela la relación entre un conjunto de entradas y una salida, resolviendo un problema de aprendizaje.
Algunos ejemplos de aplicación de ANN son:
#install.packages("neuralnet")
library(neuralnet)
library(tinytex)
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)
rn1 <- neuralnet(estatus ~ ., data=df1)
plot(rn1)
El proyecto tiene mayor peso que el examen
prueba_examen <- c(30,40,85)
prueba_proyecto <- c(85,50,40)
prueba1 <- data.frame(prueba_examen, prueba_proyecto)
prediccion <- compute(rn1, prueba1)
prediccion$net.result
## [,1]
## [1,] 0.3341669
## [2,] 0.3341669
## [3,] 0.3341669
probabilidad <- prediccion$net.result
resultado <- ifelse(probabilidad > 0.5, 1,0)
resultado
## [,1]
## [1,] 0
## [2,] 0
## [3,] 0
#install.packages("neuralnet")
#library(neuralnet)
#file.choose()
df2 <- read.csv("/Users/flormtz/Desktop/Concentración LIT/modulo 2/cancer_de_mama.csv")
df2$diagnosis<- ifelse(df2$diagnosis=="M",1,0)
#summary(df2)
set.seed(123)
rn2<- neuralnet(diagnosis ~., data =df2)
plot(rn2, rep= "best")
prueba_cancer<- df2[18:22, ]
prueba_cancer$diagnosis<- NULL
prueba_cancer
prediccion2<- compute(rn2, prueba_cancer)
prediccion2$net.result
## [,1]
## 18 0.3725802
## 19 0.3725802
## 20 0.3725802
## 21 0.3725802
## 22 0.3725802
probabilidad2<- prediccion2$net.result
probabilidad2
## [,1]
## 18 0.3725802
## 19 0.3725802
## 20 0.3725802
## 21 0.3725802
## 22 0.3725802
resultado2<- ifelse(probabilidad2>0.5,1,0)
resultado2
## [,1]
## 18 0
## 19 0
## 20 0
## 21 0
## 22 0