Aprende Red Neuronal con Scikit-Learn | Red Neuronal Desde Cero

Trabajar con redes neuronales puede ser bastante complicado, especialmente si se intenta construirlas desde cero. En lugar de programar manualmente algoritmos y fórmulas, se pueden utilizar herramientas ya preparadas como la biblioteca sklearn.

Beneficios de usar sklearn

Facilidad de uso: no es necesario profundizar en los detalles de cada algoritmo. Se pueden utilizar métodos y clases ya preparados;
Optimización: la biblioteca sklearn está optimizada para el rendimiento, lo que puede reducir el tiempo de entrenamiento del modelo;
Documentación extensa: sklearn proporciona una documentación amplia con ejemplos de uso, lo que puede acelerar considerablemente el proceso de aprendizaje;
Compatibilidad: sklearn se integra bien con otras bibliotecas populares de Python como numpy, pandas y matplotlib.

Perceptrón en sklearn

Para crear el mismo modelo que en esta sección, se puede utilizar la clase MLPClassifier de la biblioteca sklearn. Sus parámetros clave son los siguientes:

max_iter: define el número máximo de épocas para el entrenamiento;
hidden_layer_sizes: especifica el número de neuronas en cada capa oculta como una tupla;
learning_rate_init: establece la tasa de aprendizaje para la actualización de los pesos.

Nota

Por defecto, MLPClassifier utiliza la función de activación ReLU para las capas ocultas. Para la clasificación binaria, la capa de salida es esencialmente la misma que la que implementaste.

Por ejemplo, con una sola línea de código, puedes crear un perceptrón con dos capas ocultas de 10 neuronas cada una, utilizando como máximo 100 épocas para el entrenamiento y una tasa de aprendizaje de 0.5:

from sklearn.neural_network import MLPClassifier

model = MLPClassifier(max_iter=100, hidden_layer_sizes=(10,10), learning_rate_init=0.5)

Nota

Las redes neuronales en sklearn determinan el número de entradas y salidas en función de los datos con los que se entrenan. Por lo tanto, no es necesario configurarlos manualmente.

Al igual que en nuestra implementación, entrenar el modelo simplemente implica llamar al método fit():

model.fit(X_train, y_train)

Para obtener las etiquetas predichas (por ejemplo, en el conjunto de prueba), solo es necesario llamar al método predict():

y_pred = model.predict(X_test)

Tarea

Swipe to start coding

El objetivo es recrear, entrenar y evaluar un modelo perceptrón utilizando la biblioteca scikit-learn, siguiendo la misma estructura que la implementación personalizada realizada anteriormente.

Siga cuidadosamente estos pasos:

Inicializar el perceptrón usando la clase MLPClassifier:

Establecer el número de épocas de entrenamiento en 100 usando max_iter=100;
Utilizar dos capas ocultas, cada una con 6 neuronas (hidden_layer_sizes=(6, 6));
Fijar la tasa de aprendizaje en 0.01 mediante learning_rate_init=0.01;
Añadir random_state=10 para garantizar la reproducibilidad.

Entrenar el modelo con el conjunto de datos de entrenamiento utilizando el método .fit().
Obtener predicciones para todos los ejemplos del conjunto de prueba mediante el método .predict().
Evaluar el rendimiento calculando la precisión del modelo en el conjunto de prueba con la función accuracy_score().

Solución

¿Todo estuvo claro?

¡Gracias por tus comentarios!

Sección 2. Capítulo 13

single

Pregunte a AI

Pregunte lo que quiera o pruebe una de las preguntas sugeridas para comenzar nuestra charla

Awesome!

Completion rate improved to 4

Desliza para mostrar el menú

Beneficios de usar sklearn

Facilidad de uso: no es necesario profundizar en los detalles de cada algoritmo. Se pueden utilizar métodos y clases ya preparados;
Optimización: la biblioteca sklearn está optimizada para el rendimiento, lo que puede reducir el tiempo de entrenamiento del modelo;
Documentación extensa: sklearn proporciona una documentación amplia con ejemplos de uso, lo que puede acelerar considerablemente el proceso de aprendizaje;
Compatibilidad: sklearn se integra bien con otras bibliotecas populares de Python como numpy, pandas y matplotlib.

Perceptrón en sklearn

Para crear el mismo modelo que en esta sección, se puede utilizar la clase MLPClassifier de la biblioteca sklearn. Sus parámetros clave son los siguientes:

max_iter: define el número máximo de épocas para el entrenamiento;
hidden_layer_sizes: especifica el número de neuronas en cada capa oculta como una tupla;
learning_rate_init: establece la tasa de aprendizaje para la actualización de los pesos.

Nota

from sklearn.neural_network import MLPClassifier

model = MLPClassifier(max_iter=100, hidden_layer_sizes=(10,10), learning_rate_init=0.5)

Nota

Las redes neuronales en sklearn determinan el número de entradas y salidas en función de los datos con los que se entrenan. Por lo tanto, no es necesario configurarlos manualmente.

Al igual que en nuestra implementación, entrenar el modelo simplemente implica llamar al método fit():

model.fit(X_train, y_train)

Para obtener las etiquetas predichas (por ejemplo, en el conjunto de prueba), solo es necesario llamar al método predict():

y_pred = model.predict(X_test)

Tarea

Swipe to start coding

Siga cuidadosamente estos pasos:

Inicializar el perceptrón usando la clase MLPClassifier:

Establecer el número de épocas de entrenamiento en 100 usando max_iter=100;
Utilizar dos capas ocultas, cada una con 6 neuronas (hidden_layer_sizes=(6, 6));
Fijar la tasa de aprendizaje en 0.01 mediante learning_rate_init=0.01;
Añadir random_state=10 para garantizar la reproducibilidad.

Entrenar el modelo con el conjunto de datos de entrenamiento utilizando el método .fit().
Obtener predicciones para todos los ejemplos del conjunto de prueba mediante el método .predict().
Evaluar el rendimiento calculando la precisión del modelo en el conjunto de prueba con la función accuracy_score().

Solución

Cambia al escritorio para practicar en el mundo realContinúe desde donde se encuentra utilizando una de las siguientes opciones

¿Todo estuvo claro?

¡Gracias por tus comentarios!

Sección 2. Capítulo 13

single