UNIVERSIDAD AUTONOMA DE BUCARAMANGA

FACULTAD DE INGENIERIAS

INGENIERIA MECATRONICA

LABORATORIO ANALISIS DE COMPONENTES PRINCIPALES

PRESENTADO POR:

CARLOS ANTONIO PEÑALOZA CASANOVA – U00097121

DIEGO FERNANDO VALLE ORTIZ – U00097269

PRESENTADO A:

CARLOS ARIZMENDI

BUCARAMANGA 5 DE SEPTIEMBRE DE 2017

Media y desviación estándar.

Otro enfoque para escalar las entradas y los objetivos de la red es normalizar la media y la
desviación estándar del conjunto de entrenamiento. Este procedimiento se implementa en la
función prestd, normaliza las entradas y los objetivos de modo que tendrán media cero y unidad
de desviación estándar. El siguiente código ilustra el uso de prestd.

Las entradas y los objetivos originales de la red se dan en las matrices p y t. Las entradas y blancos
normalizados, pn y tn, que se devuelven tendrán media cero y desviación estándar unidad. Los
vectores significan y mantienen la media y desviaciones estándar de los insumos originales y los
vectores significan y stdt contienen los medios y las desviaciones estándar de los objetivos
originales. Después de la formación de la red, estos vectores deben ser utilizados para transformar
cualquier insumo futuro que se aplican a la red. De hecho, se convierten en una parte de la red, al
igual que los pesos de la red y sesgos.

si se utiliza para escalar tanto las entradas como la targeta, entonces la salida de la red se entrena
para producir salidas con media cero y unidad de desviación estándar. Si desea convertir estas
salidas de nuevo en las mismas unidades que se utilizaron para los blancos originales, a
continuación, debe utilizar la rutina poststd. En el siguiente código simulamos la red que fue
entrenada en el código anterior, y luego convertir la salida de red de nuevo en las unidades
originales.

La salida de red corresponde a los objetivos normalizados tn. La salida de red no normalizada a
está en las mismas unidades que las blancos originales t.

Si prestd se usa para preprocesar los datos del conjunto de entrenamiento, cada vez que se utiliza
la red entrenada con nuevas entradas, se deben preprocesar con los medios y las desviaciones
estándar que se calcularon para el conjunto de entrenamiento. Esto se puede lograr con el trast de
rutina d En el código siguiente, aplicamos un nuevo conjunto de entradas a la red que ya hemos
entrenado.
Análisis de Componentes Principales (propca, trapca)

En algunas situaciones la dimensión del vector de entrada es grande, pero los componentes de los
vectores son altamente redundantes. Es útil que esta situación reduzca la dimensión de los
vectores de entrada. Un procedimiento eficaz E para realizar esta operación es el análisis de
componentes principales. Esta técnica tiene tres efectos que ortogonaliza los componentes de los
veetores de entrada de modo que no correlacionados entre sí ordena los componentes
ortogonales resultantes componentes prineipales que aquellos con la mayor variación vienen
primero y elimina aquellos componentes que contribuyen a la svariación eastao en el conjunto de
datos El código siguiente ilustra el uso prepca , que realiza el análisis de componentes principales

Tenga en cuenta que primero normalizar los vectores de entrada, utilizando prestd, por lo que
tienen cero media y la unidad de varianza. Este es un procedimiento estándar cuando se utilizan
componentes principales. En este ejemplo, el segundo argumento pasado a prepca es 0.02. Esto
significa que prepca elimina aquellos componentes principales que contribuyen menos del 2% a la
variación total en el conjunto de datos. La matriz ptrans contiene los vectores de entrada
transformados. La matriz transMat contiene la matriz de transformación del componente
principal. Una vez que la red haya sido capacitada, esta matriz debe ser usada para transformar
cualquier entrada futura que se aplique a la red. De hecho, se convierte en una parte de la red, al
igual que los pesos de red y sesgos. Si se multiplican los vectores de entrada normalizados pn por
la matriz de transformación transMat, se obtienen los vectores de entrada transformados ptrans.
Si se utiliza prepca para preprocesar los datos del conjunto de entrenamiento, cada vez que se
utiliza la red entrenada con nuevas entradas, se debe preprocesar con la matriz de transformación
que se calculó para el conjunto de entrenamiento. Esto se puede lograr con la trapca de rutina. En
el código siguiente, aplicamos un nuevo conjunto de entradas a una red que ya hemos entrenado