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 Tiktok
  
• Determinar el número o letra escrito a mano

Instalar paquetes y llamar librerías

# install.packages(c("neuralnet","caret","dplyr","pROC"))
suppressPackageStartupMessages({
  library(neuralnet)
  library(caret)
  library(dplyr)
  library(pROC)
})

Alimentar con ejemplos

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

set.seed(123)

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

# Construir data.frame con los mismos nombres de columnas que usaste al entrenar
# Si tu fórmula era: estatus ~ examen + proyecto
prueba <- data.frame(examen = prueba_examen,
                     proyecto = prueba_proyecto)

# Calcular la predicción usando neuralnet::compute (¡clave!)
prediccion <- neuralnet::compute(red_neuronal, prueba)

# Probabilidad estimada (entre 0 y 1)
probabilidad <- as.numeric(prediccion$net.result)

# Clasificación binaria con umbral 0.5
resultado <- ifelse(probabilidad > 0.5, 1, 0)

probabilidad

## [1] 0.3334934 0.3334934 0.3334934

resultado

## [1] 0 0 0

Modelo de Red Neuronal — Cáncer de mama

A continuación, entrenamos un modelo de red neuronal y evaluamos su desempeño sobre un conjunto de prueba.

Importar la Base de Datos

datos_cancer <- read.csv("~/Library/CloudStorage/OneDrive-InstitutoTecnologicoydeEstudiosSuperioresdeMonterrey/SEM 7/M2/cancer_de_mama.csv"
, stringsAsFactors = FALSE, fileEncoding = "UTF-8-BOM")
names(datos_cancer) <- make.names(names(datos_cancer))

Definir/ajustar la variable objetivo

objetivo <- "diagnosis"

# factor con el orden correcto
datos_cancer[[objetivo]] <- factor(datos_cancer[[objetivo]], levels = c("B","M"))

# versión numérica para la red: B=0, M=1
objetivo_num <- paste0(objetivo, "_num")
datos_cancer[[objetivo_num]] <- as.numeric(datos_cancer[[objetivo]]) - 1 # B=0, M=1

Selección de predictores numéricos

predictores <- setdiff(names(datos_cancer), c(objetivo, objetivo_num))

datos_cancer <- na.omit(datos_cancer)

Red Neuronal

set.seed(123)
idx <- createDataPartition(datos_cancer[[objetivo]], p = 0.7, list = FALSE)
train <- datos_cancer[idx, , drop = FALSE]
test  <- datos_cancer[-idx, , drop = FALSE]

# Fórmula para neuralnet
form_nn <- as.formula(paste(objetivo_num, "~", paste(predictores, collapse = " + ")))

# Entrenamiento de la red
set.seed(123)
red_mama <- neuralnet(
  form_nn,
  data          = train,
  hidden        = c(5),      # ajustable: p.ej. c(8) o c(8,4)
  linear.output = FALSE,     # salida sigmoidal (clasificación)
  stepmax       = 1e+06,
  lifesign      = "minimal",
  threshold     = 0.01
)

## hidden: 5    thresh: 0.01    rep: 1/1    steps:    6076  error: 2.45225  time: 1.03 secs

# 8) Visualización
plot(red_mama, rep = "best")

Tests de Predicción

modelo_nn <- red_mama

Xcols <- all.vars(form_nn)[-1] 
Xtest <- test[, Xcols, drop = FALSE]

stopifnot(all(vapply(Xtest, is.numeric, logical(1))))

pred_test <- neuralnet::compute(modelo_nn, Xtest)

prob <- as.numeric(pred_test$net.result)

pred_num <- ifelse(prob >= 0.5, 1, 0)
pred_fac <- factor(pred_num, levels = c(0,1), labels = c("B","M"))

caret::confusionMatrix(pred_fac, test[["diagnosis"]])

## Confusion Matrix and Statistics
## 
##           Reference
## Prediction   B   M
##          B 104   8
##          M   3  55
##                                           
##                Accuracy : 0.9353          
##                  95% CI : (0.8872, 0.9673)
##     No Information Rate : 0.6294          
##     P-Value [Acc > NIR] : <2e-16          
##                                           
##                   Kappa : 0.859           
##                                           
##  Mcnemar's Test P-Value : 0.2278          
##                                           
##             Sensitivity : 0.9720          
##             Specificity : 0.8730          
##          Pos Pred Value : 0.9286          
##          Neg Pred Value : 0.9483          
##              Prevalence : 0.6294          
##          Detection Rate : 0.6118          
##    Detection Prevalence : 0.6588          
##       Balanced Accuracy : 0.9225          
##                                           
##        'Positive' Class : B               
## 

ROC y AUC

roc_obj <- pROC::roc(response = test[[objetivo]],
                     predictor = prob,
                     levels = c("B","M"),
                     direction = ">")
plot(roc_obj, main = paste("ROC - AUC:", round(pROC::auc(roc_obj), 4)))