Académique Documents
Professionnel Documents
Culture Documents
Aprendizaje supervisado
AR
1. Introducción
1.1. Aprendizaje supervisado
El aprendizaje supervisado es un tipo de
algoritmo de machine learning que utiliza un
conjunto de datos conocidos, llamado conjunto de
entrenamiento, para realizar predicciones sobre un
conjunto de datos desconocidos. El conjunto de
datos de entrenamiento incluye datos de entrada
y valores de respuesta y a partir de ellos, el
algoritmo genera un modelo para predecir valores
de respuesta para nuevos datos. [1]
3.1. Propuesta de solución y preprocesado Figura 5. Errores de training con una capa oculta de 3
de los datos neuronas
Para elegir una estructura y un factor de realizó un barrido más fino, utilizando entre 5 y
aprendizaje óptimos se realizó inicialmente un 15 neuronas en la capa oculta y con factores de
barrido grueso de 10000 épocas para 3 neuronas, aprendizaje entre 0.0001 y 0.0005. Se realizaron
Figura 9. Errores de testing promedio en el segundo
barrido para una capa oculta
4. Conclusiones
Se logró programar y entrenar una red neuronal
para resolver dos problemas complejos de alta
dimensionalidad. Para encontrar una estructura
de aprendizaje óptima se realizaron barridos en
los parámetros de la red (cantidad de neuronas
en la capa oculta y factor de aprendizaje η),
Figura 8. Errores de testing promedio para una red obteniéndose los mejores resultados para 13
neuronal con una capa oculta neuronas en la capa oculta, η = 0,009 y α =
0,006 en el problema del diagnóstico de cancer de
mamas, y de 18 neuronas, η = 0,0005 y α = 0,0003
de 0.01 en cada caso respectivamente.
Para ámbos problemas se optó por realizar
entrenamientos por lotes de 10 elementos,
fundamentalmente para minimizar el tiempo
computacional requerido para realizar los barridos.
A futuro, se podrı́an realizar los mismos estudios
utilizando el método en linea (un elemento por
vez) y barrer en otro rango de parámetros para
comparar los resultados obtenidos. Además, se
podrı́a utilizar un método de validación cruzada
para el entrenamiento de la red obteniendo una red
final de pesos promediados.