Descarga la aplicación para disfrutar aún más
Vista previa del material en texto
TALLER DE REDES NEURONALES ARTIFICIALES OBJETIVOS. Objetivo General: Hacer uso de un perceptrón multicapa y de una Red de base radial en WEKA en análisis predictivo de datos. Objetivos Específicos: ● Manejar la herramienta WEKA para crear distintos modelos de perceptrón multicapas para la predicción de los precios en distintos maíces. ● Aproximar una función hermite haciendo uso de una red de bases radial. INTRODUCCIÓN. En el presente trabajo realizaremos distintos modelos predictivos usando Perceptrón Multicapa en la herramienta WEKA, donde buscaremos predecir los precios de dos tipos de maíz haciendo uso de Redes Neuronales Artificiales. De igual manera, trabajaremos en cómo usar redes neuronales para la aproximación a un polinomio Hermite. Taller 1. Se entregan dos archivos de datos: los archivos de Excel (Ojo no están en formato arff) Precios_IntMaizBlanco y Precios_IntMaizAmarillo, como su nombre lo indica, son archivos que contienen (día a día) durante 10 meses los valores de precios internacionales para cada tipo de maíz. Elabore un Perceptrón Multicapa (usando el algoritmo específico en WEKA) que sea capaz de predecir dichos valores. Para cada tipo de maíz se pide: a) Graficar las curvas de aprendizaje para el error versus distinto número de neuronas en la capa oculta. En este punto tomaremos los siguientes números de neuronas en la capa oculta para analizar: 3, 9, 15 y 21. Se tomará el 70% de los datos para aprendizaje y el otro 30% para pruebas. Para el tipo de Maíz blanco, el análisis es: Error per Epoch N. Neuronas 0.0600748 3 0.0377551 9 0.0588025 15 0.0587462 21 Cómo logramos observar en la gráfica, donde se obtuvo una mayor precisión fue cuando el número de neuronas en la capa oculta es igual a 9, ya que esta tuvo el menor número de error para las épocas. Para el tipo de Maíz amarillo, el analisis es: Error per Epoch N. Neuronas 0.1115112 3 0.1211994 9 0.1214974 15 0.1217147 21 Podemos analizar la gráfica y vemos que al tener 3 neuronas el modelo es preciso. En cambio, si el número de neuronas aumenta vemos como el error incrementa, lo que quiere decir que no le beneficia al modelo debido a que tenderá a equivocarse al tener mayor error. b) Graficar las curvas de aprendizaje error versus distintas razones de aprendizaje. Para el tipo de maíz blanco utilizaremos 9 neuronas en la capa oculta dado que obtuvo una mayor precisión. Se realiza las pruebas con las siguientes razones de aprendizaje: Error per Epoch Razón de aprendizaje 0.0520052 0.1 0.0372248 0.2 0.0377551 0.3 0.0648269 0.4 Dado que en la anterior gráfica al tener 9 neuronas en la capa oculta con un 0.3 de razón de aprendizaje obtuvo una mayor precisión, logramos observar que en esta gráfica al variar esta razón podemos mejorar aún más esta precisión como bajandola a 0.2 o también se puede empeorar como las demás variantes. Para el tipo de maíz amarillo utilizaremos 3 neuronas en la capa oculta dado que obtuvo una mayor precisión. Se realiza las pruebas con las siguientes razones de aprendizaje: Error per Epoch Razón de aprendizaje 0.0944066 0.1 0.1005511 0.2 0.1115112 0.3 0.1266758 0.4 Dada la gráfica podemos deducir que, en este modelo a menos razón de aprendizaje, el error será menor y esto indica que será más preciso la RNA. Para 3 neuronas en la capa oculta y una razón de 0.1 resulta ser la más eficiente para este modelo de predicción. c) Obtener una gráfica donde se compare los valores reales vs valores predichos por la RNA. Para el tipo de maíz blanco utilizaremos 9 neuronas en la capa oculta con una razón de aprendizaje de 0.2 dado que obtuvo una mayor precisión en los resultados anteriores. actual predicted 146.6 155,576 148.4 147,689 162.4 163,449 191.9 187,443 190 189,006 174.4 174,123 148.4 147,788 187.4 189,516 192.1 189,447 197 183,803 156.9 148,476 191.3 189.18 183.5 189.47 153.5 152,609 146.6 153.32 187.4 189,522 185.6 171,777 153.5 148,511 191.9 187,943 148.4 147,807 189.8 189,414 197.8 188,103 192.9 186.82 183.5 183,331 142.9 160,815 183.3 189,522 191.3 184,365 155.1 148,805 162.4 168,928 158.5 148,146 191.3 189,307 187.4 189,523 154.7 149,425 199 187,166 199 187,475 192.1 189,416 166.5 147,991 162.4 75,286 183.5 189,478 158.5 148,123 192.5 186,998 204.1 185,831 185.6 173,499 156.9 148,352 185.6 189,339 195.7 189,482 185.6 189,293 190 189,063 182.1 178.5 166.5 148.1 192.1 189,357 186.8 189,242 182.1 176,543 155.1 148,858 189.8 189,444 148.6 149,984 199.6 188,957 187.4 189,513 166.5 148,078 174.4 178,121 183.5 189,485 145.9 147,847 146.6 156,118 185.6 170,863 158.5 148,269 191.3 185.76 185.6 174,309 189.4 188,827 154.7 149,855 195.7 189,472 En la gráfica se puede observar como en la mayoría de las predicciones estuvieron cercanas a los precios actuales, en varias predicciones los valores estuvieron muy cercanos con una diferencia mínima y solo en una predicción se observa que se aleja bastante al precio actual. Lo cual se puede decir que para este modelo, existe la posibilidad que tenga una o unas pocas más predicciones que se alejaran al valor actual Para el tipo de Maíz blanco utilizaremos 3 neuronas en la capa oculta con una razón de aprendizaje de 0.1 dado que obtuvo una mayor precisión en los resultados anteriores. Actual Predicted 145.4 147.327 145.3 152.97 136.3 153.513 159.5 156.297 146.8 136.564 143.4 149.113 164.2 158.839 130.8 131.297 150.3 146.87 132.1 132.012 145.4 143.859 138.7 134.165 163.6 157.747 159.2 138.9 135.3 139.299 141.9 150.189 146.8 144.789 145.1 136.793 158.3 159.164 130.2 133.367 164.2 158.171 136.1 146.641 163.5 158.793 144.6 136.676 127.2 132.46 147.6 135.691 143.5 149.548 159.1 158.924 133.7 133.222 157.3 159.13 156.1 133.621 152.9 155.165 164.2 157.926 156.5 156.675 148.2 143.162 142.1 145.95 160.7 158.958 136.3 153.863 136.8 131.355 136.3 154.035 135.3 136.115 157.3 159.114 151.6 137.258 159 159.141 143.4 148.894 148 142.468 146.8 145.022 145.3 152.021 126 134.898 128.9 131.224 171 158.581 157.5 159.112 147 135.282 132.3 133.826 162.3 158.846 129.4 132.351 146.1 151.021 171 158.693 164.2 158.882 157.3 157.248 161.2 138.688 135.4 133.685 145 143.626 159.3 159.074 143.5 149.331 125 132.096 150 144.091 133.1 133.969 El gráfico muestra que los valores predichos se aproximan en general a los valores reales, pero sin embargo hay grandes saltos en algunos resultados, lo que indica que la precisión del modelo de predicción no es suficiente, pero es evidente que la situación es mejor. d) Existe alguna diferencia de resultados (mayor coherencia o exactitud) que favorezcan a algún tipo de maíz en especial? ¿Por qué?. R. Para el tipo de maíz blanco se puede observar que obtuvo una mayor exactitud de las predicciones que el tipo de maiz amarillo. la razón de esto puede darse por diferentes razones, una de ellas podría ser que el conjunto de datos del tipo de maíz blanco posee más datos que el tipo de maiz amarillo, permitiendo asi tener mas datos de entrenamiento y de prueba. Aproxime el polinomio de Hermite: 𝒇(𝒙) = 𝟏. 𝟏 ∗ (𝟏 − 𝒙 + 𝟐𝒙𝟐) ∗ 𝒆 (𝟏/𝟐) 𝒙𝟐 , usando una RBF ( Radial Basis Function). Pasos a seguir: Generar las 240 muestras de forma aleatoria con distribución en el intervalo [-4,4] y se normalizaron losdatos en el intervalo [0,1]. Usamos el 16.6% de los datos que equivale a 40 muestras para el entrenamiento y las 200 restantes para la validación. Los datos generados están generados respecto a su valor x y la salida de su resultado utilizando la expresión del polinomio. Las arquitecturas de red que se han utilizado paras las pruebas en el dominio de Hermite son las siguientes: Arquitectura 1: ● Capa de entrada: 1 neurona. ● Capa oculta 1: 2 neurona. ● Capa de salida: 1 neurona. En esta arquitectura podemos observar que la predicción es imprecisa cuando hay dos neuronas en la capa oculta. Otro análisis que se hace es el aspecto de la gráfica el cual se aprecia de esta forma debido a la aleatoriedad de los datos y su respectivo valor sobre el polinomio. El error para esta arquitectura ha sido: 0.0406708 Arquitectura 2: ● Capa de entrada: 1 neurona. ● Capa oculta 1: 5 neuronas. ● Capa de salida: 1 neurona. En esta Arquitectura es casi imperceptible los cambios en la gráfica, pero está resulta ser más precisa ya que está tendiendo a seguir la línea de los datos reales. El error que resultó es: 0.0400777 Arquitectura 3: ● Capa de entrada: 1 neurona. ● Capa oculta 1: 10 neuronas. ● Capa de salida: 1 neurona. El error en está Arquitectura con 10 neuronas en la capa oculta aumentó a 0.444339 lo que quiere decir que en este modelo ya las predicciones fueron más imprecisas. Arquitectura 4: ● Capa de entrada: 1 neurona. ● Capa oculta 1: 15 neuronas. ● Capa de salida: 1 neurona. Teniendo ya 15 neuronas en la capa oculta el resultado de las predicciones son más imprecisas, porque el error aumentó a: 0.0513883 Graficando los errores de las distintas arquitectura podemos observar:
Compartir