Redes Neuronales

Redes Neuronales

Las R
L
Redes
d N
Neuronales
l A
Artificiales
tifi i l o
simplemente Redes Neuronales, buscan
emular el comportamiento del cerebro humano

El cerebro humano

Procesa informacin imprecisa rpidamente.

Aprende sin instrucciones explcitas

explcitas.

Crea representaciones internas que permiten

estas habilidades

Redes Neuronales

Caractersticas

Procesamiento de la informacin p
proveniente del
entorno en tiempo real.

Robustez y tolerancia a fallas

fallas.

Capacidad de adaptacin.

Manejo de informacin difusa, con ruido e

inconsistente.

Procesamiento paralelo.

Tipos
p de p
problemas qque p
pueden
resolver

Prediccin

Trabaja
j como una funcin de mapeo.
Puede utilizarse para estimacin o clasificacin
((salida continua o discreta).
)

Segmentacin

Agrupa (clustering) de los datos de entrada.

Estos grupos pueden utilizarse para clasificar o
para describir la informacin disponible.

Red neuronal feedforward

Se utiliza en tareas de prediccin

Neurona Artificial

Cada entrada es multiplicada por el peso

de arco correspondiente.
6

Neurona Artificial

Cada neurona calcula su entrada neta

como:

netaj = xi wi
i =1

Neurona Artificial

El valor
l d
de salida
lid (
(nico)
i ) se
obtiene como

Neurona Artificial

El valor de salida (nico) se

( t )
obtiene como y = f (neta
9

Red neuronal feedforward

Las neuronas de una misma capa

p tienen el
mismo comportamiento

Ejemplo
j p

Se desean entrenar una red neuronal para

que reconozca caracteres escritos a mano

Ejemplo:
j p Reconocimiento de caracteres
escritos a mano

Ejemplo:
j p Reconocimiento de caracteres
escritos a mano

Caracteres correctamente reconocidos

Caracteres NO reconocidos

Redes Neuronales Feedforward

Vamos a ver slo dos arquitecturas

Perceptrn

Es una RN formada por una nica neurona.

Sirve para hacer separacin lineal de clases

Multiperceptrn

Tiene una estructura organizada en capas

capas.
Utiliza el mtodo BackPropagation como estrategia de
entrenamiento.
Puede usarse para prediccin y para clasificacin.

Perceptrn
p

Es una red neuronal formada por una nica

neurona.
Representa una nica funcin discriminante
que separa linealmente los ejemplos en dos
clases.
clases
Funcin
discriminante

Perceptrn
p

neta = xi * wi
i =0

t 0
1 sii neta
y=
0 si neta < 0

Ejemplo
j p 1. Clasificador de Frutas

Sobre una cinta transportadora circulan naranjas y

melones.
e o es Se busca ob
obtener
e e u
un cclasificador
as cado de frutas
u as que
facilite su almacenamiento. Para cada fruta se conoce su
dimetro, en centmetros y su intensidad de color
naranja medida entre 0 y 255
naranja,
255.

Ejemplos:
Naranjas = { (10
(10,200),
200) (8
(8,150),
150) (7
(7,170),
170) (15
(15,250)}
250)}
Melones = {(20,30), (26,30), (24,32), (19,31)}

Se entren un perceptrn para resolver el problema. Los

pesos obtenidos son
W0 = -0.4224 ; W1 = -1.0077 ; W2 = 0.1035

Utilcelo para clasificar estos ejemplos: (25,70) y (9,150)

Ejemplo
j p 1. Clasificador de Frutas

Operador
p
perceptron
p
p

Ejemplo
j p 2. Diagnosticar
g
DrugY
g

Los ejemplos del archivo Drug5.xls

correspondientes a DrugY son linealmente
separables del resto.

Entrene un perceptrn con el 80% de los

ejemplos y verifique su desempeo para
di
diagnosticar
ti
lla d
droga Y para ell 20% restante.
t t

Ejemplo
j p 2
Transformacin de los datos

El perceptrn separa dos clases linealmente. En

este caso, podr decir si se diagnostica o no la
droga Y. Para ello:

Genere un nuevo atributo que tome el valor

D
DrugY
Y cuando
d esta
t d
droga h
haya sido
id
diagnosticada y el valor Otra para el resto.

Asigne a este nuevo atributo el rol de label.

Ejemplo
j p 2. Datos Originales
g
Drug5.xls

Ejemplo
j p 2
Transformacin de los datos

Comencemos por la
generacin del nuevo
atributo

Ejemplo
j p 2.
Generando un nuevo atributo

Operador Generate attributes

Ejemplo
j p 2.
Generando un nuevo atributo

Operador Generate attributes

Ejemplo
j p 2.
Generando un nuevo atributo

Operador Generate attributes

if(Drug == "drugY", "DrugY", "Otra")

Ejemplo
j p 2.
Generando un nuevo atributo

Ejecute y verifique que el atributo Droga ha

sido creado.

Ejemplo
j p 2.
Indicando el rol del nuevo atributo

Operador Set Role

Indicaremos que el atributo Droga es un label

Ejemplo
j p 2.
Indicando el rol del nuevo atributo

Operador Set Role

Verifique que haya

quedado un nico Label y
que tome slo dos valores:
DrugY
g u Otra

Ejemplo
j p 2
Perceptrn para diagnosticar DrugY

Las redes neuronales operan sobre atributos

numricos (excepto la clase).
Usar el operador Nominal to numerical
para convertir todos los atributos nominales
en numricos
numricos.

Ejemplo
j p 2
Perceptrn para diagnosticar DrugY

Operador Nominal to numerical

Ejemplo
j p 2
Perceptrn para diagnosticar DrugY

Operador Nominal to numerical

Utilice los valores por defecto.

Ej
Ejecute
t y verifique
ifi
que llos valores
l
nominales
i l
ahora son numricos

Dividiendo los datos

Agregar un componente para separar los

datos en training y testing.

32

Split
p Validation

En la parte izquierda (training) pegar un

Perceptron

33

Split
p Validation ((testing)
g)

Ejecute y verifique que los resultados no son

buenos
34

Ejemplo
j p 2
Perceptrn para diagnosticar DrugY

Ejecute y verifique que los resultados no son

buenos

Ejemplo
j p 2. Resultados obtenidos

El conjunto de testeo est formado por 34 ejemplos

d lla clase
de
l
D
DrugY
Y y 26 ejemplos
j
l d
de Otra
O

Ejemplo
j p 2. Resultados obtenidos

Slo se clasificaron correctamente 26 ejemplos

2 de
d lla clase
l
D
DrugY
Y (2/34=>5.38%)
(2/34
38%) y 24 ejemplos
j
l
de Otra (24/26 => 92.31%)

Ejemplo
j p 2. Resultados obtenidos

De las 4 veces que predijo DrugY acert el 50%

Ejemplo
j p 2. Resultados obtenidos

De las 56 veces que predijo Otra acert

24/(32 24) 42 86%
24/(32+24)=>42.86%

Ejemplo
j p 2. Resultados obtenidos

La precisin de la red neuronal para este

conjunto
j
d
de d
datos d
de prueba
b ffue d
de
(2+24)/(34+26) => 43.33%

Ejemplo
j p 2
Perceptrn para diagnosticar DrugY

La respuesta mejora si antes de aplicar el

perceptrn, se normalizan los datos de
entrada

Ejemplo
j p 2. Normalizar los ejemplos
j p
antes de dividirlos en dos conjuntos

Operador Normalize

Ejemplo
j p 2
Resultados finales

Analice los resultados obtenidos luego de la

normalizacin
li
i