Redes neuronales

Teoría

Una Red Neuronal Artificial (ANN) modela la relación entre un conjunto de entradas y una salida para resolver un problema de aprendizaje. Ejemplos prácticos: reconocimiento de dígitos/letras escritos a mano, clasificación de spam, predicción de incumplimiento de pago, etc.

---

Instalar paquetes y llamar librerías

#install.packages("neuralnet")
library(neuralnet)
library(dplyr)
library(ggplot2)

# Vectores (mismo largo)
examen   <- c(20, 10, 30, 20, 80, 30)
proyecto <- c(90, 20, 40, 50, 50, 80)
estatus  <- c( 1,  0,  0,  0,  0,  1)  # 1 = aprueba, 0 = no aprueba (ejemplo)

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

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

# Entrenar la red
red_neuronal <- neuralnet(estatus ~ ., data = df, hidden = 3, linear.output = FALSE)

# Graficar la mejor red entrenada
plot(red_neuronal, rep = "best")

# <span style="color: blue"> Predecir con la Red Neuronal </span>

# Nuevos valores de entrada (ejemplos)
prueba_examen   <- c(30, 40, 85)
prueba_proyecto <- c(85, 50, 40)

# Data frame con los valores de prueba
prueba <- data.frame(examen = prueba_examen,
                     proyecto = prueba_proyecto)

# Usar la red entrenada para predecir (forzando a usar neuralnet::compute)
prediccion <- neuralnet::compute(red_neuronal, prueba)

# Resultados de la red (probabilidades)
prediccion$net.result

##              [,1]
## [1,] 0.9916883841
## [2,] 0.0003478685
## [3,] 0.0001150367

# Guardar probabilidades
probabilidad <- as.vector(prediccion$net.result)

# Clasificación final (1 si prob > 0.5, 0 en caso contrario)
resultado <- ifelse(probabilidad > 0.5, 1, 0)
resultado

## [1] 1 0 0