Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
olica de Temuco
Trabajo Recuperativo
Problema de Regresion
Felipe Leal
flleal2011@alu.uct.cl
29 de Junio de 2015
1.
Introducci
on
2.
Soluci
on
Universidad Cat
olica de Temuco
Universidad Cat
olica de Temuco
Figura 5: Plot R2
Al testear la configuraci
on lineal, el codigo no logra ni siquiera terminar el
entrenamiento.
Luego solo resta entrenar la red, bajo la funciones de activacion sigmoide,
para obtener una predicci
on y las metricas de rendimiento.
Universidad Cat
olica de Temuco
3.
An
alisis de los Resultados
Para an
alizar los resultados de las predicciones, se uso el calculo de la predicci
on en funci
on de 6 configuraciones:
1. 10 Neuronas de Entrada y 6 Neuronas en la Capa Oculta.
2. 50 Neuronas de Entrada y 25 Neuronas en la Capa Oculta.
3. 200 Neuronas de Entrada y 80 Neuronas en la Capa Oculta.
4. 1000 Neuronas de Entrada y 400 Neuronas en la Capa Oculta.
Donde se consideran las metricas de rendimiento, plot de prediccion de datos y
R2 y su tiempo de ejecuci
on
3.1.
Universidad Cat
olica de Temuco
3.2.
Universidad Cat
olica de Temuco
3.3.
Universidad Cat
olica de Temuco
Universidad Cat
olica de Temuco
3.4.
Universidad Cat
olica de Temuco
4.
Conclusi
on
Referencias
[1] Laurene Fausett, Fundamentals of Neural Networks, Pearson; 1 edition (December 19, 1993),
D. Martn, Redes Neurona[2] Antonio J. Serrano, Emilio Soria, Jose
cnica Superior d Enginyeria,
les Artificiales, Escola Te
[3] Mariusz Bernacki, Principles of training multi-layer neural network
using backpropagation, http://galaxy.agh.edu.pl/~vlsi/AI/backp_t_
en/backprop.html,
li[4] Daniel San martin, Algoritmo Backpropagation, Universidad Cato
ca de Temuco,
[5] Guoqiang Zhang, B. Eddy Patuwo, Michael Y. Hu Forecasting with
artificial neural networks: The state of the art Graduate School of Management, Kent State University, Kent, Ohio 44242-0001, USA
[6] Jeff Heaton The Number
heatonresearch.com/node/707
of
Hidden
Layers
http://www.