Red neuronal con sklearn
Construiremos una red neuronal para clasificar dígitos escritos a mano en el conjunto de datos MNIST, que es un problema de clasificación de imágenes.
Importamos los módulos necesarios
MNIST Dataset
Cargar el conjunto de datos MNIST de dígitos escritos a mano
Exploramos el dataset
El resultado es:
Imprimimos la llave DESCR para obtener la información del conjuto de datos
Visualización de una imagen
Es necesario fijar el índice de la imagen que vamos a visualizar
Obtener la imagen del dígito y su etiqueta
Imprimimos la representación matricial (numérica) de la imagen
Mostramos la imagen con Matplotlib
Preprocesamiento de datos
Dividir los datos en conjuntos de entrenamiento y prueba
Red neuronal multicapa
Crear un modelo de red neuronal multicapa
Esta línea de código se utiliza para crear una instancia de la clase MLPClassifier en scikit-learn,
que es un clasificador de redes neuronales multicapa para tareas de clasificación.
hidden_layer_sizes
: Este argumento especifica la arquitectura de la red neuronal multicapa. En este caso, se crean dos capas ocultas. La tupla (100, 50) indica que la primera capa oculta tiene 100 neuronas y la segunda capa oculta tiene 50 neuronas.max_iter
: Este argumento especifica el número máximo de épocas durante el entrenamiento de la red neuronal. En este caso, se establece en 1000, lo que significa que el entrenamiento se detendrá después de 1000 iteraciones o cuando se alcance la convergencia del modelo.random_state
: Este argumento establece una semilla (seed) para la generación de números aleatorios.Al fijar
random_state
en un valor específico (en este caso, 42), aseguras que el entrenamiento de la red neuronal sea reproducible.
Entrenamiento
Entrenar el modelo en el conjunto de entrenamiento
Predicciones
Realizar predicciones en el conjunto de prueba Predicciones
Ejemplo de una predicción
Realizamos la predicción de un elemento
Elegir el índice de la imagen que deseas evaluar
Obtener la imagen individual y su etiqueta verdadera
Realizar una predicción en la imagen individual
Comparar la etiqueta verdadera con la etiqueta predicha
Calcular la precisión del modelo.
Calculamos la matriz de confusión.
Last updated