R Notebook

Cargamos dataset conteniendo los resultados en terminos de Accuracy.

Boxplot del Accuracy considerando todos los paremetros de ajuste

Bloxplot con la distribucion de del Accuracy por numero de filtros y el tamaño del kernel.

Al parecer aquellas redes con mayor numero de filtros ( = 1024) y kernel de tamaño menor ( = 4) tienen un accuracy considerablemente mejor al resto. Queda pendiente test estidistico o plotear los intervalos de confianza.

barrido %>% select(Acc,Acc_sd,size_dense_2,size_dense_1,size_dense_3,filters,kernel_sizes)   %>% unite(parameter_set,c(filters,kernel_sizes)) %>% cbind(filters=barrido$filters) %>%
  ggplot()+
 # geom_point(aes(x=parameter_set,y=Acc))+ 
  geom_boxplot(aes(x=parameter_set,y=Acc,fill=as.factor(filters)))+
  theme_bw()+
    theme(axis.text.x = element_text(angle = 45, hjust = 1))+
  theme(legend.position="bottom")

Boxplot con la distribucion del Acc por tamaÑo de las capas ocultas.

De acuerdo al grafico no parece haber una diff significativa en los valores de las capas ocultas.

barrido %>% select(Acc,Acc_sd,size_dense_2,size_dense_1,size_dense_3,filters,kernel_sizes)   %>% unite(parameter_set,c(kernel_sizes,size_dense_1,size_dense_2,size_dense_3)) %>% cbind(kernel_sizes=barrido$kernel_sizes) %>%
  ggplot()+
 # geom_point(aes(x=parameter_set,y=Acc))+ 
  geom_boxplot(aes(x=parameter_set,y=Acc,fill=as.factor(kernel_sizes)))+
  theme_bw()+
    theme(axis.text.x = element_text(angle = 45, hjust = 1))+
theme(legend.position="bottom")

CONCLUSIONES:

Segu lo observado, deberiamos elegir un modelo cuyo numero de filtros se encuentre entre 512 y 1024 y mantener el numero de celdas de las capas densas al minimo.