Imaginando
el radio de una circunferencia en 2D.
El vector de 1, 1, equivale al radio 1 de
la circunferencia.
Dejando
un circulo de A = pi*r². Con el incrento de dimensiones, el valor resultante de
las esquinas tiende a 0.
Observese la tabla de dimensiones.
Observese la tabla de dimensiones.
Tensorflow
En una red neuronal los datos se ordenan de
izquierda a derecha creando una red de pruebas.
Las
Entradas: se definen como el numero de dimensiones. X
Los
Pesos: son las conexiones entre los nodos. W
Las
salidas: Vectores resultantes Y
Los
objetivos: Vectores objetivos en el aprendizaje supervisado
Función
de activación: Activa la operación en función de la entrada
Error:
Calcula la precision de la salida Y
respecto a los objetivos T.
En el aprendizaje computacional es necesario clasificar los datos según sus valores.
En un array de datos, implementa un algoritmo secuencial de aprendizaje.
Los arrays estan compuestos por entrada de datos y objetivos.
Los valores de entrada son los valores reales y los de salida, pretenden ser los objetivos.
El Clasificador se compone de 3 grupos:
Entrenamiento o Capacitación: reajusta los parámetros en el aprendizaje
Pruebas: Verifica los resultados en un aprendizaje supervisado
Validación: Detecta el error de dimensionalidad según el vector y el numero de dimensiones.
El sistema evalúa el array de datos con valores objetivo y comprueba el resultado.
El resultado de la Validación es guardado y se procede a evaluar nuevamente los datos.
Comprueba y compara el resultado con la anterior validación y guarda el mejor resultado como valido.
Estos tres grupos separan el array de datos y lo evalúan con condicionales simplificados.
El
conjunto de datos se analiza en 3 bloques:
La
maldición de la dimensionalidad
A medida
que aumentan las dimensiones, los algoritmos requieren de mayor rango de
procesamiento.
Eso
dificulta el aprendizaje. Para solucionarlo, es necesario optimizarlo evitando
la sobre saturación de datos.
Tanto
para pocas o muchas dimensiones, el conjunto de datos tienen un porcentaje de
influencia según el numero de dimensiones.
A
consecuencia, se obtiene mayor precision.
Para
pocas dimensiones: 50% entrenamiento 25% Pruebas y 25% Validación.
Para
mayor rango de dimensiones: 60% 20% 20%.
Estos
porcentajes son aproximados y variaran según la complejidad de la red neuronal.
De este
modo, se minimiza el proceso de entrenamiento y maximiza el rendimiento libre
de ruido excesivo.
En un
aprendizaje automático, se hace una simulación en los datos obtenidos.
El
algoritmo selecciona según el porcentaje dado en los bloques Entrenamiento (E)
Prueba (P) y Validación (V) los diferentes datos obtenidos en la salida y los
compara con los datos objetivo.
En un
Array de datos, los valores se almacenan en el conjunto porcentual.
En una
distribución 50,25,25 tendríamos:
E,E,P,P,V,E,E,E,
V = ejemplo1
E,E,P,V,E,E,E,
P,V = ejemplo2
V,E,E,P,V,E,E,P,P = ejemplo3
… =
ejemplo n
Puede
ser aleatorio no repetitivo u ordenado según si es un problema de regression o
de clasificación.
E,E,E,E,E,P,P,V,V
= ejemplo1
V,E,E,E,E,E,P,P,V= ejemplo2
V,V,E,E,E,E,P,P,P = ejemplo3
… =
ejemplo n
Estos 3
grupos se ordenan al azar y se busca por aprendizaje supervisado el conjunto de
menor error. Guardando el mas favorable en validación y desechando el conjunto
no favorable u obteniendo un 0 en el ejemplo “n” de validación..
Estos
array de datos quedarían en binario y sumados según su numero de aciertos o (V)
validación
Cada
ejemplo es enumerado y distribuido en una matriz de Clases.
La
Matriz de Confusion
Es una
matriz cuadrada que engloban todas las validaciones de ejemplos y permite
visualizar el rendimiento del algoritmo para problemas de clasificación. No
sirve para problemas de regression porque los resultados son continuos.
Esta
matiz se compone de una clasificación de validación respecto a los objetivos.
Y la
diagonal de arriba (VP) a abajo (VN) determina los valores correctos del
algoritmo.
Obteniendo
un resultado porcentual de la exactitud o precision, tasa de error y
sensibilidad.
Matriz(i,j) C1 C2 C3
C1 5 1 0
C2 1 4 1
C3 2 0 4
Validacion
VP =
Verdadero Positivo (La entrada
y Algoritmo COINCIDEN como Correcto)
FP =
Falso Positivo (El
Algoritmo NO coincide con la entrada)
FN =
Falso Negativo (La
entrada NO coincide con el Algoritmo)
VN =
Verdadero Negativo (La entrada y
el Algoritmo COINCIDEN como Falso)
Dependiendo
de los valores de cada cuadrante de la matriz(I,j) obtendra un porcentaje de
aprendizaje y deteccion de errores.
Exactitud = (VP + FP)/total
Sensibilidad = VP / (VP + FN)
Especifico = VN / (VN + FP)
Precisión = VP / (VP + FP)
Sensibilidad = VP / (VP + FN)
Especifico = VN / (VN + FP)
Precisión = VP / (VP + FP)
No hay comentarios:
Publicar un comentario