Redes neuronales

Teoría

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

Ejemplos prácticos de aplicación de Redes Neuronales son:

La recomendación de contenido de Netflix El feed de Instagram o Tik Tok *Determinar el número o letra escrito a mano

Ejemplo 1: Examen

Instalar paquetes y llamar librerías

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

## Loading required package: ggplot2

## Loading required package: lattice

library(readr)
library(ggplot2)

Base 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)
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(20,40,85)
prueba_proyecto<-c(85,40,50)
prueba<-data.frame(prueba_examen,prueba_proyecto)
prediccion<-compute(red_neuronal,prueba)
prediccion$net.result

##           [,1]
## [1,] 0.3339816
## [2,] 0.3339816
## [3,] 0.3339816

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

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

Ejemplo 2: Cancer de mama

Cargar base de datos

df1 <- read_csv("cancer_de_mama.csv")

## Rows: 569 Columns: 31
## ── Column specification ────────────────────────────────────────────────────────
## Delimiter: ","
## chr  (1): diagnosis
## dbl (30): radius_mean, texture_mean, perimeter_mean, area_mean, smoothness_m...
## 
## ℹ Use `spec()` to retrieve the full column specification for this data.
## ℹ Specify the column types or set `show_col_types = FALSE` to quiet this message.

Dividir base de datos

set.seed(123)
renglones_entrenamiento <- createDataPartition(df1$diagnosis,p=0.8, list=FALSE)
entrenamiento <- df1[renglones_entrenamiento,]
prueba <- df1[-renglones_entrenamiento,]

df1$diagnosis <- ifelse(df1$diagnosis=="M",1,0)

Generar Red Neuronal

red_neuronal <- neuralnet(diagnosis~., data=df1)
plot(red_neuronal, rep = "best")

Predecir Red Neuronal

prediccion <- compute(red_neuronal, prueba)
prediccion$net.result

##             [,1]
##   [1,] 0.3725861
##   [2,] 0.3725861
##   [3,] 0.3725861
##   [4,] 0.3725861
##   [5,] 0.3725861
##   [6,] 0.3725861
##   [7,] 0.3725861
##   [8,] 0.3725861
##   [9,] 0.3725861
##  [10,] 0.3725861
##  [11,] 0.3725861
##  [12,] 0.3725861
##  [13,] 0.3725861
##  [14,] 0.3725861
##  [15,] 0.3725861
##  [16,] 0.3725861
##  [17,] 0.3725861
##  [18,] 0.3725861
##  [19,] 0.3725861
##  [20,] 0.3725861
##  [21,] 0.3725861
##  [22,] 0.3725861
##  [23,] 0.3725861
##  [24,] 0.3725861
##  [25,] 0.3725861
##  [26,] 0.3725861
##  [27,] 0.3725861
##  [28,] 0.3725861
##  [29,] 0.3725861
##  [30,] 0.3725861
##  [31,] 0.3725861
##  [32,] 0.3725861
##  [33,] 0.3725861
##  [34,] 0.3725861
##  [35,] 0.3725861
##  [36,] 0.3725861
##  [37,] 0.3725861
##  [38,] 0.3725861
##  [39,] 0.3725861
##  [40,] 0.3725861
##  [41,] 0.3725861
##  [42,] 0.3725861
##  [43,] 0.3725861
##  [44,] 0.3725861
##  [45,] 0.3725861
##  [46,] 0.3725861
##  [47,] 0.3725861
##  [48,] 0.3725861
##  [49,] 0.3725861
##  [50,] 0.3725861
##  [51,] 0.3725861
##  [52,] 0.3725861
##  [53,] 0.3725861
##  [54,] 0.3725861
##  [55,] 0.3725861
##  [56,] 0.3725861
##  [57,] 0.3725861
##  [58,] 0.3725861
##  [59,] 0.3725861
##  [60,] 0.3725861
##  [61,] 0.3725861
##  [62,] 0.3725861
##  [63,] 0.3725861
##  [64,] 0.3725861
##  [65,] 0.3725861
##  [66,] 0.3725861
##  [67,] 0.3725861
##  [68,] 0.3725861
##  [69,] 0.3725861
##  [70,] 0.3725861
##  [71,] 0.3725861
##  [72,] 0.3725861
##  [73,] 0.3725861
##  [74,] 0.3725861
##  [75,] 0.3725861
##  [76,] 0.3725861
##  [77,] 0.3725861
##  [78,] 0.3725861
##  [79,] 0.3725861
##  [80,] 0.3725861
##  [81,] 0.3725861
##  [82,] 0.3725861
##  [83,] 0.3725861
##  [84,] 0.3725861
##  [85,] 0.3725861
##  [86,] 0.3725861
##  [87,] 0.3725861
##  [88,] 0.3725861
##  [89,] 0.3725861
##  [90,] 0.3725861
##  [91,] 0.3725861
##  [92,] 0.3725861
##  [93,] 0.3725861
##  [94,] 0.3725861
##  [95,] 0.3725861
##  [96,] 0.3725861
##  [97,] 0.3725861
##  [98,] 0.3725861
##  [99,] 0.3725861
## [100,] 0.3725861
## [101,] 0.3725861
## [102,] 0.3725861
## [103,] 0.3725861
## [104,] 0.3725861
## [105,] 0.3725861
## [106,] 0.3725861
## [107,] 0.3725861
## [108,] 0.3725861
## [109,] 0.3725861
## [110,] 0.3725861
## [111,] 0.3725861
## [112,] 0.3725861
## [113,] 0.3725861

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

##        [,1]
##   [1,]    0
##   [2,]    0
##   [3,]    0
##   [4,]    0
##   [5,]    0
##   [6,]    0
##   [7,]    0
##   [8,]    0
##   [9,]    0
##  [10,]    0
##  [11,]    0
##  [12,]    0
##  [13,]    0
##  [14,]    0
##  [15,]    0
##  [16,]    0
##  [17,]    0
##  [18,]    0
##  [19,]    0
##  [20,]    0
##  [21,]    0
##  [22,]    0
##  [23,]    0
##  [24,]    0
##  [25,]    0
##  [26,]    0
##  [27,]    0
##  [28,]    0
##  [29,]    0
##  [30,]    0
##  [31,]    0
##  [32,]    0
##  [33,]    0
##  [34,]    0
##  [35,]    0
##  [36,]    0
##  [37,]    0
##  [38,]    0
##  [39,]    0
##  [40,]    0
##  [41,]    0
##  [42,]    0
##  [43,]    0
##  [44,]    0
##  [45,]    0
##  [46,]    0
##  [47,]    0
##  [48,]    0
##  [49,]    0
##  [50,]    0
##  [51,]    0
##  [52,]    0
##  [53,]    0
##  [54,]    0
##  [55,]    0
##  [56,]    0
##  [57,]    0
##  [58,]    0
##  [59,]    0
##  [60,]    0
##  [61,]    0
##  [62,]    0
##  [63,]    0
##  [64,]    0
##  [65,]    0
##  [66,]    0
##  [67,]    0
##  [68,]    0
##  [69,]    0
##  [70,]    0
##  [71,]    0
##  [72,]    0
##  [73,]    0
##  [74,]    0
##  [75,]    0
##  [76,]    0
##  [77,]    0
##  [78,]    0
##  [79,]    0
##  [80,]    0
##  [81,]    0
##  [82,]    0
##  [83,]    0
##  [84,]    0
##  [85,]    0
##  [86,]    0
##  [87,]    0
##  [88,]    0
##  [89,]    0
##  [90,]    0
##  [91,]    0
##  [92,]    0
##  [93,]    0
##  [94,]    0
##  [95,]    0
##  [96,]    0
##  [97,]    0
##  [98,]    0
##  [99,]    0
## [100,]    0
## [101,]    0
## [102,]    0
## [103,]    0
## [104,]    0
## [105,]    0
## [106,]    0
## [107,]    0
## [108,]    0
## [109,]    0
## [110,]    0
## [111,]    0
## [112,]    0
## [113,]    0