Skip to content
Generación Freelancer
Menu
  • Inicio
  • Noticias
  • Tutoriales
Menu

Cómo crear una red neuronal en Python

Posted on octubre 28, 2022

En este tutorial aprenderá a crear una red neuronal en Python. Para construir un modelo de red neuronal, Python proporciona algunos paquetes como TensorFlow y Keras, que ayudan a construir un modelo de red neuronal de aprendizaje automático con muy pocas líneas de código mediante la abstracción de código de bajo nivel.

Para construir cualquier modelo de aprendizaje automático, debe implementar los siguientes pasos.

  1. Importar los paquetes necesarios
  2. Cargue el conjunto de datos y divida los datos en el formulario de entrada y salida
  3. Definir el modelo
  4. Ajuste el modelo a los datos, que están separados como un formulario de entrada y salida
  5. Evaluar el modelo
  6. Haz predicciones con el modelo.

Vamos a crear un modelo de red neuronal paso a paso siguiendo los pasos mencionados anteriormente.

Cómo crear una red neuronal en Python

Importar los paquetes necesarios

Aquí importamos el paquete NumPy para cargar los datos. Además, las clases Sequential y Dense de la biblioteca Keras para definir el modelo. A continuación se muestra el código para importar las bibliotecas requeridas.

# import necessary packages
import numpy as np
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense

Sube el conjunto de datos

Utilizamos el conjunto de datos de diabetes, que contiene entradas de pacientes para glucosa, insulina, niveles de presión arterial, IMC, etc.

Adjunto la imagen del conjunto de datos descargado para una vista clara.

cargar el conjunto de datos

Debe eliminar la primera fila, los nombres de las etiquetas, al cargar el conjunto de datos para construir el modelo de red neuronal. Adjuntar los nombres de las columnas eliminadas hoja de Excel utilizado en este artículo para crear el modelo.

Use el método numpy.loadtxt () para cargar un conjunto de datos que tome dos parámetros: nombre de archivo y delimitador.

Cortar los datos cargados para obtener los datos de entrada y salida. A continuación se muestra el código para cargar el conjunto de datos.

# load the dataset
data = np.loadtxt('diabetesDataset.csv', delimiter=",")
# split the data into input and output
input = data[:,0:8] # Data from 0-7 columns
output = data[:,8] # Data of column 8

Definir el modelo

Cree un modelo de red neuronal usando las clases Sequential y Dense. A continuación se muestra el código utilizado para crear el modelo de red neuronal.

# define the keras neural network model
model = Sequential()
model.add(Dense(12, input_shape=(8,), activation='relu'))
model.add(Dense(8, activation='relu'))
model.add(Dense(1, activation='sigmoid'))

Después de definir el modelo, compile el modelo utilizando el método «compilar», que ayuda a representar la red para el entrenamiento y hacer las predicciones que se realizarán. A continuación se muestra el código para compilar la plantilla.

# compile the model
model.compile(loss="binary_crossentropy",optimizer="adam",metrics=['accuracy'])

Ajustar el modelo a los datos

Adaptaremos el modelo a los datos de entrada y salida para que el modelo sea entrenado por los datos de entrada y salida que pueden ser útiles al hacer pronósticos. A continuación se muestra el código para ajustar el modelo a los datos.

# fit the model on input, output data
model.fit(X, y)

Evaluar el modelo

Al evaluar el modelo, obtendremos la puntuación de precisión del modelo. Cuanto mayor sea la precisión, mejores serán las predicciones del modelo. La puntuación de precisión está entre 0 y 1. A continuación se muestra el código utilizado para evaluar el modelo.

# finding accuracy
accuracy = model.evaluate(input, output)
accuracy

Producción:

paso – pérdida: 0.4672 – precisión: 0.7760
[0.46723151206970215, 0.7760416865348816]

hacer previsiones

Usando la función predecir (), podemos hacer predicciones pasando los datos de entrada a la función predecir (). A continuación se muestra el código para hacer predicciones a partir del modelo entrenado.

# making predictions
model.predict(input)

Código:

# import necessary packages
import numpy as np
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense
 
# load the dataset
data = np.loadtxt('diabetesDataset.csv', delimiter=",")
# split the data into input and output
input = data[:,0:8] # Data from 0-7 columns
output = data[:,8] # Data of column 8
 
# define the keras neural network model
model = Sequential()
model.add(Dense(12, input_shape=(8,), activation='relu'))
model.add(Dense(8, activation='relu'))
model.add(Dense(1, activation='sigmoid'))
 
# compile the model
model.compile(loss="binary_crossentropy",optimizer="adam",metrics=['accuracy'])
 
# fit the model on input, output data
model.fit(X, y)
 
# finding accuracy
accuracy = model.evaluate(input, output)
accuracy

Producción

paso – pérdida: 0.4672 – precisión: 0.7760
[0.46723151206970215, 0.7760416865348816]

Deja una respuesta Cancelar la respuesta

Tu dirección de correo electrónico no será publicada. Los campos obligatorios están marcados con *

Recent Posts

  • Los 5 mejores sitios web Generador de voz Yoda, software de texto a voz
  • Los 10 mejores libros de diseño de juegos para leer en 2023
  • Riesgos y beneficios de subcontratar desarrolladores de América Latina
  • Cómo contratar a un desarrollador .NET en 2023
  • Beneficios de Microsoft Office 365 para pequeñas empresas

Recent Comments

No hay comentarios que mostrar.

Archives

  • marzo 2023
  • febrero 2023
  • enero 2023
  • diciembre 2022
  • noviembre 2022
  • octubre 2022

Categories

  • Noticias
  • Tutoriales
©2023 Generación Freelancer | Design: Newspaperly WordPress Theme