Redes Neuronales

Teoría

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

Ejemplos prácticos de aplicación de Redes Nueronales son:

• La recomendación de contenido en Netflix.
• El feed de instagram TikTok.
• Determinar el número o letra escrito a mano.

Instalar paquetes y llamar librerías

#install.packages("neuralnet")
#install.packages("compute.es")
library(compute.es)
library(neuralnet)
library(tidyverse)
library(ggplot2)
library(lattice)
library(caret)

Instalar paquetes y llamar librerías

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

df <- data.frame(examen, proyecto,estatus)

Generar la Red Neuronal

red_neuronal <- neuralnet(estatus~.,data = df)
plot(red_neuronal, rep = "best")

Predecir con la Red Neuronal

prueba_examen <- c(30,40,85)
prueba_proyecto <- c(85,50,50) 

prueba <- data.frame(prueba_examen, prueba_proyecto)

#prediccion <- compute(red_neuronal, prueba)
#probabilidad <- prediccion$net.result
#resultado <- ifelse(probabilidad > 0.5, 1, 0)
#resultado

Cancer de Mama

df_mama <- read.csv("C:\\Users\\erik-\\OneDrive\\Documentos\\Escuela\\Universidad\\7ºSemestre\\Modulo_2\\cancer_de_mama.csv")
df_mama$diagnosis <- as.factor(df_mama$diagnosis)

Generar la Red Neuronal

red_neuronal <- neuralnet(diagnosis~.,data = df_mama)
plot(red_neuronal, rep = "best")

set.seed(123)
renglones_entrenamiento <- createDataPartition(df_mama$diagnosis, p = 0.8, list = FALSE) 
# el argumento list asegura la aleatoridad en las particiones
entrenamiento <- df_mama[renglones_entrenamiento,]
prueba <- df_mama[-renglones_entrenamiento,]

#prediccion <- compute(red_neuronal,prueba)
#prediccion$net.result
#probabilidad <- prediccion$net.result
#resultado <- ifelse(probabilidad > 0.5,1,0)
#resultado