Boston Red Neuronal

Contexto

Una Red Neuronal Artificial modela la relación entre un conjunto de entradas y una salidad, resolviendo un problema de aprendizaje.

Librerias

library(neuralnet)
library(caret)

Importar la base de datos

boston <- read.csv("BostonHousing.csv")

Partir la base de datos/span>

set.seed(123)
renglones_entrenamiento_boston <- createDataPartition(boston$medv,p=0.7,list=FALSE)
entrenamiento_boston <- boston[renglones_entrenamiento_boston, ]
prueba_boston <- boston[-renglones_entrenamiento_boston, ]

Generar el modelo

modelo_boston <-neuralnet(medv~.,data=entrenamiento_boston)
summary(modelo_boston)

##                     Length Class      Mode    
## call                   3   -none-     call    
## response             356   -none-     numeric 
## covariate           4628   -none-     numeric 
## model.list             2   -none-     list    
## err.fct                1   -none-     function
## act.fct                1   -none-     function
## linear.output          1   -none-     logical 
## data                  14   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         19   -none-     numeric

Predecir con la red neuronal

prediccion <- compute(modelo_boston, prueba_boston[, -which(names(prueba_boston) == "medv")])$net.result
real <- prueba_boston$medv

boston_resultados <- data.frame(Real = real, Predicción = prediccion)
ggplot(boston_resultados, aes(x=Real, y= Predicción)) +
geom_point(color="blue") +
geom_abline(slope=1, intercept=0, color="red") +
theme_minimal() +
ggtitle("Predicción vs. Valores Reales")

```