Uso: Clasificador probabilístico

Descripción: Las redes neuronales son un paradigma de aprendizaje y procesamiento automático basado en el funcionamiento de nuestro sistema nervioso, este sistema este compuesto por una serie de neuronas y conexiones entre ellas que colaboran entre sí para producir una salida.

Variable dependiente: métricas y no métricas

Variables independientes: métricas y no métricas

Ejemplo en R: Clasificar tipo de flor atendiendo a sus características físicas como pueden ser el ancho y alto de los pétalos y sépalos.

# Carga de todos los paquetes necesarios 
#install.packages("ggplot2")
#install.packages("lattice")
#install.packages("caret")
#install.packages("nnet")
#install.packages("e1071")
#install.packages("foreach")
#install.packages("glmnet")
library(ggplot2)
library(lattice)
library(caret)
library(nnet)
library(e1071)
library(foreach)
library(glmnet)

# Carga de datos inicial, tipos de flores con diferentes características 
data(iris)
View(iris)
datos <- iris

# Selección de una submuestra del 70% de los datos para entrenamiento y el 30% se usará para testeo del método
set.seed(101)
tamano.total <- nrow(datos)
tamano.train <- round(tamano.total*0.7)
datos.indices <- sample(1:tamano.total , size=tamano.train)
datos.train <- datos[datos.indices,]
datos.test <- datos[-datos.indices,]

# Previamente se usará train para ver el valor de los parámetros size y decay
# size: número de unidades ocultas intermedias
# decay: se usa para evitar el sobre ajuste
parametros <- train(Species~., data=datos.train, method="nnet", trace=F)
size <- parametros$bestTune$size
decay <- parametros$bestTune$decay
parametros$bestTune

##   size decay
## 6    3   0.1

# Entrenamiento de la red neuronal con los valores de train
modelo <- nnet(Species ~ ., size=size, decay=decay, trace=F, data=datos.train)
modelo

## a 4-3-3 network with 27 weights
## inputs: Sepal.Length Sepal.Width Petal.Length Petal.Width 
## output(s): Species 
## options were - softmax modelling  decay=0.1

# Predicción. Se crea un data frame con las probabilidades y los nombres de las especies
predicciones <- data.frame(predict(modelo, datos.test), Specie=predict(modelo,datos.test, type="class"))
predicciones

##          setosa versicolor    virginica     Specie
## 5   0.984696025 0.01467717 0.0006268079     setosa
## 10  0.979163054 0.02002491 0.0008120312     setosa
## 12  0.979718900 0.01948811 0.0007929853     setosa
## 15  0.987746650 0.01173706 0.0005162860     setosa
## 16  0.987281279 0.01218561 0.0005331137     setosa
## 18  0.983802343 0.01553962 0.0006580417     setosa
## 22  0.983603181 0.01573255 0.0006642712     setosa
## 23  0.986727467 0.01271700 0.0005555347     setosa
...

# Matriz de confusión
mc <- table(predicciones$Specie,datos.test$Species, dnn = c("Asignado","Real"))
mc

##             Real
## Asignado     setosa versicolor virginica
##   setosa         15          0         0
##   versicolor      0         12         0
##   virginica       0          0        18

# Porcentaje de aciertos
aciertos <- sum(diag(mc)) / nrow(datos.test) * 100
aciertos

## [1] 100

Nota: Consular la  implementación de una red neuronal convolucional en R con keras