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.
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