Red Neuronal Monocapa
Las redes neuronales monocapa, también conocidas como perceptrones, son una forma fundamental de inteligencia artificial que consta de una sola capa de neuronas interconectadas.
Aunque son simples en su estructura, estas redes son capaces de realizar una variedad de tareas, desde problemas de clasificación hasta cálculos numéricos.
En esta introducción, exploraremos cómo funcionan las redes monocapa y cómo pueden aplicarse a un ejemplo específico, como la multiplicación de números.
Ejemplo
En este ejemplo, utilizaremos una red neuronal monocapa para realizar la multiplicación de dos números.
A través de este ejemplo, veremos cómo las redes neuronales monocapa pueden aplicarse a problemas numéricos simples y cómo los pesos de las conexiones entre las neuronas pueden ajustarse para que la red pueda realizar cálculos precisos.
Esta introducción nos dará una comprensión básica de cómo funcionan las redes monocapa y cómo pueden aplicarse en diversos contextos.
Implementación en Python
Importamos los módulos necesarios
Definimos los datos de entrenamiento, donde son los datos de entradas e son las etiquetas.
Definimos el modelo y el entrenamiento de una red neuronal simple:
Definimos el peso y sesgo inicial de forma aleatoria, así como la tasa de aprendizaje.
Definimos el número de épocas para realizar el entrenamiento.
Realizamos el entrenamiento
Comprobamos el comportamiento con valores distintos a los que entreno nuestro modelo.
Interpretación del MSE
El Error Cuadrático Medio (MSE, por sus siglas en inglés, Mean Squared Error) es una medida de cuánto se desvían las predicciones de un modelo de regresión lineal de los valores reales en un conjunto de datos.
Es ampliamente utilizado en la evaluación de modelos de regresión y representa la diferencia cuadrada promedio entre las predicciones del modelo y los valores reales.
La fórmula del MSE se expresa de la siguiente manera:
Donde:
es el Error Cuadrático Medio.
es el número de puntos de datos en el conjunto de datos.
es el valor real (la etiqueta) para el punto .
es la predicción del modelo para el punto .
El MSE calcula la diferencia entre cada valor real y su predicción, lo eleva al cuadrado y luego toma el promedio de estas diferencias al dividir por el número total de puntos de datos.
El cuadrado se utiliza para darle un mayor peso a los errores más grandes y penalizarlos.
El valor correcto del Error Cuadrático Medio (MSE) depende en gran medida del contexto específico de tu problema y de las unidades de medida de tus datos.
Sin embargo, hay algunas pautas generales que se pueden seguir para interpretar el MSE:
MSE Cercano a Cero: Un MSE cercano a cero indica un excelente ajuste del modelo a los datos de entrenamiento. En términos generales, cuanto más cercano a cero sea el MSE, mejor será el modelo.
MSE Pequeño: Un MSE pequeño (por ejemplo, 0.01) sugiere un buen ajuste del modelo. Esto significa que las predicciones del modelo son muy similares a los valores reales y que el modelo es capaz de capturar eficazmente la relación entre las entradas y las salidas.
MSE Moderado: Un MSE moderado (por ejemplo, entre 0.1 y 1) podría considerarse aceptable en algunos casos. Esto depende de la tolerancia para el error en tu problema específico. En algunos casos, un ajuste más preciso puede ser necesario, mientras que en otros, un error moderado podría ser aceptable.
MSE Grande: Un MSE grande (por ejemplo, superior a 1) sugiere que el modelo tiene dificultades para ajustarse a los datos y puede no ser adecuado para el problema en cuestión. Un MSE significativamente alto indica que el modelo no está capturando bien la relación entre las entradas y las salidas.
Es importante destacar que el MSE debe interpretarse en relación con el contexto de tu problema.
Además, es fundamental considerar cómo el modelo se desempeña en datos de prueba independientes.
Por ejemplo, un MSE bajo en los datos de entrenamiento, pero un MSE alto en los datos de prueba, puede indicar que el modelo está sobreajustando (overfitting) a los datos de entrenamiento.
Código completo
Lo anterior, se encuentra disponible en el siguiente google colab: https://github.com/mevangelista-alvarado/neural_networks/blob/main/EjemploRedNeuronalMonocapa.ipynb
Last updated