Professional Documents
Culture Documents
FACULTAD DE INGENIERIAS
INGENIERIA ELECTRONICA
REDES NEURONALES
INTEGRANTES:
- LEONEL CUENCA
- HERNAN POGO
Objetivo: Reafirmar los conceptos sobre el Perceptrón, su diseño y programación, así como el
conocimiento de herramientas de análisis de datos como SciLab u Octave.
Dado el corpus Iris seleccione dos de las características a la vez (longitud de los
sépalos y longitud de los pétalos, ancho de los sépalos y ancho de los pétalos, etc.) y
realice una gráfica.
Grafica de longitud de sépalos y ancho de sépalos 2. Grafica de longitud de sépalos y longitud de petalos
3. Grafica de longitud de sépalos y ancho de pétalos 4. Grafica de ancho de sépalos y longitud de pétalos
5. Grafica de ancho de sépalos y ancho de pétalos 6. Grafica de longitud de pétalos y ancho de pétalos
De las gráficas generadas indique cuales son los datos que permiten clasificar de
mejor manera los 3 tipos de flores (Iris Setosa, Iris Versicolor e Iris Virgínica).
Justifique su apreciación.
Iris Versicolor
Iris Vigínica
Iris Setosa
Por ello concluimos que en esta clasificación de clases tomando las características
longitud de pétalos y ancho de pétalos es muy bueno, ya que solo se perderían
cuatro datos del corpus.
En nuestro programa realizado en SciTE, procedimos a crear un programa que nos permita
reconocer las clases del corpus y asignarles un valor numérico a cada clase (Iris Setosa
00, Iris Versicolor 01 e Iris Virgínica 10), y estos valores numéricos los tabulamos
en un archivo salida.txt.
Luego de esto procedemos a guardar los datos en matrices para con estas mezclar los datos
del corpus dado. Con ello guardamos los datos mesclados en un archivo train.txt (el 70% de
los datos) y en un archivo test.txt (el 30% de los datos)
Diseñe una red neuronal tipo Perceptrón con una o más capas ocultas, de forma que
esta red sea capaz de discriminar de forma correcta los tres tipos de flores.
El diseño de nuestra red neuronal es de tipo perceptrón realizado en el programa JavaNNS con dos
neuronas al ingreso y con 1 capa oculta con 4 neuronas.
En la fig.1 podemos observar los pesos de cada neurona que posee la red ya que con estos pesos
podríamos compararlos con los deseados, como también los estados que se encuentran las neuronas
de salida y las neuronas de entrada, con esto podemos ver si nuestra red se encuentra funcionando
correctamente.
A continuación se procede a graficar el Error de nuestra Red Neuronal con el programa JavaNNS.
Fig2. Grafica del Error de la red neuronal
con dos neuronas al ingreso
Aquí podemos observar que el error de nuestra red neuronal va disminuyendo según va aumentando
el numero de las interacciones, teniendo al final un error constante en la red neuronal.El valor de
error se calcula por un algoritmo de adiestramiento, la cual la red neuronal puede adaptarse para
reducir este error, es decir, las redes neuronales pueden aprender y por lo tanto reducir los futuros
errores.
A continuacion se presenta datos de salida proporcionado por el programa JavaNNS para tener una
mejor idea de cómo esta funcionando nuestra red neuronal, comparando los datos de salida con los
deseados, se a elegido pocas lineas de codigo del archivo para hacer una comparacion.
Hemos detectado un error que tiene nuestra red neuronal, como se muestra en la linea 47,
comparando los valores de los pesos de las neuronas deseados con los engtregados en la simulacion
podemos apreciar que existe una diferencia muy grande en esta muestra produciendo un error en
nuestra red neuronal.
En total se an encontrado 5 valores que ha entregado el archivo de salida que son diferentes a los
deseados.
2.5
1.5
0.5
8
0
7 6
6
5 4
3 2 1 4
Aquí podemos observar que el error de nuestra red neuronal no ha mejorado, a pesar de tener tres
neuronas de ingreso. Se realiza una comparación entre la fig2. Y fig5. Observamos que el error es
mayor que el Perceptrón que solo tiene dos neuronas de ingreso.
CONCLUSIONES
Según las graficas 2D que obtuvimos relacionando las características de las clases de las
flores, podemos decir que la longitud de pétalos y ancho de pétalos son las características
que mejor clasifican a las flores.
Según las graficas 3D que obtuvimos relacionando las características de las clases de las
flores, podemos decir que la longitud de sépalos, longitud de pétalos y ancho de pétalos son
las características que mejor clasifican a las flores.
La red neuronal tipo Perceptrón con dos neuronas al ingreso tiene un mejor resultado a la
hora de discriminar los tipos de flores, dándonos un error mucho menor al obtenido con
nuestra red neuronal con tres neuronas de ingreso.
La manera más efectiva de crear una red neuronal y posteriormente entrenarla, es con dos
neuronas de ingreso, cuatro neuronas ocultas y dos neuronas de salida.