Redes Neuronales Artificiales con MATLAB

Hctor Allende Cid

Clasificacin
Datos: Breast Cancer Vector x = [x1,x2,x3,x4,x5,x6,x7,x8,x9] (Variables Numricas) Vector y = [y1, y2] (Variables Binarias) y1=0 e y2=1 (Tumor Maligno) y1=1 e y2=0 (Tumor Benigno)

Clasificacin (Red Feed Forward)

Cargar DatosCancer.mat load DatosCancer; Se va a cargar una matriz de [11x699] Filas 1 a 9 Variables de Input (vector x) Filas de 10 a 11 Var. Target (vector y) Crear submatrices inputs y targets.

Funciones (forma 1)
% Crear NET numHiddenNeurons = 10; net = newpr(inputs,targets,numHiddenNeurons); net.divideParam.trainRatio = 80/100; %Entrenamiento net.divideParam.valRatio = 10/100; %Validacion net.divideParam.testRatio = 10/100; %Testeo

Funciones (forma 1)
% Entrenar y simular Salidas [net,tr] = train(net,inputs,targets); outputs = sim(net,inputs);

% Error (vectora ~= vectorb) %Crea vector del mismo tamao con 1 donde sea distinto y 0 donde es igual. Si sumo todos los 1 y divido por el largo del vector, da como resultado el % de error.

Funciones (forma 2)
%Crea Red FF con 10 neuronas capa escondida net = newff(inputs,targets,10); %Simula las salidas de la red (Sin entrenamiento) outputs1 = sim(net,inputs);

Funciones (forma 2)
%Se especifica epocas de entrenamiento y error. net.trainParam.epochs = 50; net.trainParam.goal = 0.01; %Se entrena la red net = train(net,inputs,targets); %Se simula con pesos w ajustados outputs2 = sim(net,inputs); Probar con (2, 5, 10 y 20 neuronas capa escondida)

Ejercicio Clasificacin
DatosVino [16x178] Filas 1:13 Vector x Filas 14:16 Vector y 3 Viedos Entrenar Red para clasificar a que Viedo pertenece.

Regresion Red FF
Cargar DatosBodyfat.mat load DatosBodyfat; Se va a cargar una matriz de [14x252] Filas 1 a 13 Variables de Input (vector x) Fila 14 Var. Target (vector y) Crear submatrices inputs y targets.

Funciones
numHiddenNeurons = 10; % Numero Neuronas Escondidas net = newfit(inputs,targets,numHiddenNeurons); %Simula Salidas sin entrenar (w aleatorios) outputs1 = sim(net,inputs);

Funciones
[net,tr] = train(net,inputs,targets); outputs2 = sim(net,inputs); % Plot plotperf(tr) plotregression(targets,outputs2)

Comparar resultados outputs1 y outputs2 con target. Error Cuadratico sum(o-t)^2 Probar con (2, 5, 10 y 20 neuronas capa escondida)

Ejercicio Regresin
DatosEnergia [17x4208] Filas 1:16 Vector x Filas 17 Vector y Entrenar Modelo para predecir y (consumo energtico de una casa)