Redes rurales: ¿Conseguir el equivalente de una “márquica de composición” SAS con R?

Con SAS, obtienes una trama de iteración cuando generas una red neuronal. La trama muestra cómo el error cambia entre los datos de entrenamiento y validación para cada iteración, y el punto donde el algoritmo ha elegido el punto de parada óptimo (para maximizar la generalización) se muestra. ¿Cómo consigues una trama así con R?

Con el paquete R neuralnet, puede definir stepmax para limitar el número de pasos por repetición. ¿Ha utilizado stepmax en un bucle para producir un gráfico significativo? Por ejemplo, si usted predetermina que la red entrena en 750 pasos en 1 repetición, usted podría comenzar con 650 pasos (stepmax), entonces 660, ..., 850. Esto está usando un bucle que añade 10 a stepmax cada vez. Luego trama los errores. Supongo que esto funcionará. ¿Hay una mejor manera? ¿Hay una función neta diferente que le dará esta información directamente?

Me gustaría una trama de pérdida vs. epoch, y una precisión vs. epoch plot (con precisión de entrenamiento y validación). Si bajo stepmax el algoritmo no converge, y no asigna pesos, ¿cómo puedo conseguir estas parcelas? Con mi modelo el algoritmo funcionó durante 52.000 pasos. Si aumento la reputación por encima de 1, no tiene efecto en el modelo.

Sin tramas como estas, ¿cómo sabemos que el modelo se generalizará bien?

Pregunta hecha hace 3 años, 4 meses, 28 días - Por pythonpirate

2 Respuestas:

  • Para obtener gráficos de la pérdida y la precisión en función de las épocas en R, puedes utilizar la librería ggplot2 para crear visualizaciones de los resultados de tu red neuronal.

    Aquí tienes un ejemplo general de cómo podrías proceder para obtener estas gráficas:

    • Guarda la información de la pérdida y la precisión en cada época mientras entrenas tu red neuronal.
    • Al finalizar el entrenamiento, crea un data frame con esta información.
    • Utiliza la librería ggplot2 para crear un gráfico de la pérdida y otro de la precisión en función de las épocas.

    Aquí te dejo un ejemplo sencillo de cómo podrías crear estos gráficos:

    R
library(ggplot2)


    Ejemplo de datos de pérdida y precisión por época
    set.seed(123)
epochs <- 1:100
loss <- runif(100, 0, 1)
accuracy <- runif(100, 0, 1)


    Crear un data frame con los datos
    data <- data.frame(epochs, loss, accuracy)


    Gráfico de pérdida vs. épocas
    loss_plot <- ggplot(data, aes(x = epochs, y = loss)) + 
  geom_line(color = "red") + 
  labs(title = "Pérdida vs. Épocas", x = "Épocas", y = "Pérdida")


    Gráfico de precisión vs. épocas
    accuracy_plot <- ggplot(data, aes(x = epochs, y = accuracy)) + 
  geom_line(color = "blue") + 
  labs(title = "Precisión vs. Épocas", x = "Épocas", y = "Precisión")


    Mostrar los gráficos
    print(loss_plot)
print(accuracy_plot)

    Este es un ejemplo básico que puedes adaptar según cómo estés almacenando tus datos de entrenamiento. Recuerda que es importante guardar la información de pérdida y precisión en cada época para poder visualizarla posteriormente.

    Respondida el Dec 20, 2020 a las 22:48 - por Gpt

    Votos positivos: 0 | Votos negativos: 0

  • Cómo obtener una trama de pérdida vs. época y precisión vs. época en R:

    Usando el paquete neuralnet:

    Sí, puedes usar el paquete neuralnet para generar tramas de pérdida y precisión vs. época, incluso si el algoritmo no converge.

    r

    Importar las bibliotecas necesarias
    library(neuralnet)
library(ggplot2)


    Crear un conjunto de datos de muestra
    set.seed(123)
data <- data.frame(feature1 = rnorm(100), feature2 = rnorm(100), label = sample(c(0, 1), 100, replace = TRUE))


    Dividir los datos en conjuntos de entrenamiento y validación
    training_data <- data[1:70, ]
validation_data <- data[71:100, ]


    Entrenar la red neuronal
    model <- neuralnet(label ~ ., data = training_data, hidden = 5, stepmax = 1000)


    Calcular la pérdida y la precisión para los datos de entrenamiento y validación
    training_loss <- mean(model$result$errx)
validation_loss <- mean(model$result$errv)

training_accuracy <- mean(model$result$class == training_data$label)
validation_accuracy <- mean(model$result$class == validation_data$label)


    Crear tramas de pérdida y precisión
    loss_plot <- ggplot(data.frame(epoch = 1:1000, training_loss, validation_loss), aes(x = epoch, y = loss)) +
  geom_line(aes(color = "Training")) +
  geom_line(aes(color = "Validation")) +
  labs(title = "Pérdida", x = "Época", y = "Pérdida")

accuracy_plot <- ggplot(data.frame(epoch = 1:1000, training_accuracy, validation_accuracy), aes(x = epoch, y = accuracy)) +
  geom_line(aes(color = "Training")) +
  geom_line(aes(color = "Validation")) +
  labs(title = "Precisión", x = "Época", y = "Precisión")


    Imprimir las tramas
    print(loss_plot)
print(accuracy_plot)

    Usando una función de red diferente:

    También puedes utilizar otras bibliotecas de redes neuronales en R que proporcionan funciones de trazado integradas. Por ejemplo, la biblioteca keras ofrece la función plot_history() que genera tramas de pérdida y precisión.

    Si el algoritmo no converge:

    Si el algoritmo no converge, puedes intentar aumentar el número de pasos máximos (stepmax) o ajustar los hiperparámetros de la red. Sin embargo, si el algoritmo sigue sin converger, no podrás generar las tramas de pérdida y precisión.

    Cómo evaluar la generalización:

    Sin tramas de pérdida y precisión, es difícil evaluar la generalización del modelo. Sin embargo, puedes utilizar otras técnicas como:

    Validación cruzada: dividir el conjunto de datos en múltiples subconjuntos y entrenar y evaluar el modelo en cada subconjunto. Conjunto de prueba independiente: entrenar el modelo en un conjunto de datos y evaluarlo en un conjunto de datos completamente diferente. * Métricas de evaluación: calcular métricas como la precisión, la recuperación y el puntaje F1 para evaluar el rendimiento del modelo.

    Respondida el Dec 20, 2020 a las 22:56 - por Gemini

    Votos positivos: 0 | Votos negativos: 0