UNIVERSIDAD POLITECNICA SALESIANA

FACULTAD DE INGENIERIAS

INGENIERIA ELECTRONICA

REDES NEURONALES

INTEGRANTES:
- LEONEL CUENCA
- HERNAN POGO

PERCEPTRÓN MULTICAPA, RECONOCIMIENTO DEL CORPUS IRIS

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.

o La grafica de longitud de pétalos y ancho de pétalos, nos muestra que estas

características nos permiten realizar una buena clasificación o separación en las
clases de las flores. Si observamos la grafica 6, y trazamos dos líneas que nos
separen en tres lugares a cada clase, observamos que los datos de la clase setosa
ocupan un área específica en la parte inferior izquierda de la grafica. Los datos de
la clase versicolor (ubicada en la parte central de la grafica) y la clase virgínica
(ubicada en la parte superior derecha de la grafica) están levemente unidas. Si se
traza una línea entre las dos clases observamos que dos datos de la clase virgínica
están en el área de la clase versicolor y dos datos de la clase versicolor está en el
área de la clase virgínica.

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.

 Realice un script/programa que le permita dividir el corpus en 70% para

entrenamiento y en un 30% para pruebas.

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)

Los datos obtenidos por el programa realizado son:

Longitud de Ancho de Longitud de Ancho de Clase

sépalos sépalos pétalos pétalos
38 5.2 3.4 1.4 0.2 00
88 5.6 3.0 4.1 1.3 01
68 7.2 3.6 6.1 2.5 10

 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.

DESARROLLO DE LA RED NEURONAL CON DOS NEURONAS AL INGRESO

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.

Fig.1 Red neuronal según las características de la flor

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.

También graficamos los pesos de cada neurona, como se muestra a continuación.

Fig3. Grafica de los pesos de cada neurona

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.

Archivo de salida resultado.res

#45.1
4 1.3
01
0.00563 0.99194
#46.1
3.9 1.2
01
0.00226 0.99633
#47.1
4.8 1.8
01
0.67308 0.33455
#48.1
4.7 1.4
01
0.13469 0.85679
#49.1
4.6 1.3
01
0.05727 0.93569
#50.1
4.2 1.2
01
0.00725 0.99016

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.

 Extensión : seleccione las 3 características que permitan clasificar de mejor manera

los tipos de flores, pruebe si el rendimiento de la red neuronal mejora y realice una
gráfica 3D con dichas características. Justifique sus apreciaciones.

2.5

1.5

0.5
8
0
7 6
6
5 4
3 2 1 4

o La grafica en 3D de longitud de sépalos, longitud de pétalos y ancho de pétalos, nos

muestra que estas características nos permiten realizar una buena clasificación o
separación en las clases de las flores.
 Fig.4 Red neuronal según las características de la flor

o En la fig.4 tenemos tres neuronas de ingreso, cuatro neuronas ocultas y dos de

salida, podemos observar los pesos en cada conexión. A continuación se procede a
graficar el Error de nuestra Red Neuronal con el programa JavaNNS.

Fig5. Grafica del Error de la red neuronal

con tres neuronas al ingreso

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.