Ejercicio 1
Utiliza una red neuronal con 5 neuronas en la capa oculta para calcular la equivalencia
en grados centígrados Fharenheit , utiliza datos de entrenamiento los valores de 0 a
40 grados centígrados.
library(grid) library(MASS) library(neuralnet) # se declaran las librerias
x <(0,1,2,3,4,5,6,7,8,9,10,11,12,13,14,15,16,17,18,19,20,21,22,23,24,25,26,27,28,29,30,31,32,33,34,35,36,37,38,
39,40)
y<- 1.8*a
z<- 32+b
a <- z
datos <- data.frame(x,y,z,a)
attach(datos)
red1 <- neuralnet(a~x+y+z, datos, hidden=5, threshold=0.01)
red1$result.matrix
red1$plot
salida <- compute(red1,datos[-4])$net.result
Ejercicio 2
R calcula el error dividiendo entre dos la suma de los cuadrados de las diferencias ,
realiza comandos en r
library(grid) library(MASS) library(neuralnet)
rm(list=ls())
Ejercicio 3
salida:
negativo positivo
negativo
3
0
positivo
0
3
> bayes
Naive Bayes Classifier for Discrete Predictors
Call:
naiveBayes.default(x = X, y = Y, laplace = laplace)
A-priori probabilities:
Y
negativo positivo
0.5
0.5
Conditional probabilities:
d
Y
a
b
negativo 1.0000000 0.0000000
positivo 0.3333333 0.6666667
n
Y
[,1]
[,2]
negativo 2.333333 0.6110101
positivo 3.666667 1.5275252
(Para d=”b”, n=3.5)
Naive Bayes Classifier for Discrete Predictors
Call:
naiveBayes.default(x = X, y = Y, laplace = laplace)
A-priori probabilities:
Y
negativo positivo
0.5
0.5
Conditional probabilities:
d
Y
a
b
negativo 1.0000000 0.0000000
positivo 0.3333333 0.6666667
n
Y
[,1]
[,2]
negativo 2.333333 0.6110101
positivo 3.666667 1.5275252
(Para d=”a”, n=2)
Naive Bayes Classifier for Discrete Predictors
Call:
naiveBayes.default(x = X, y = Y, laplace = laplace)
A-priori probabilities:
Y
negativo positivo
0.5
0.5
Conditional probabilities:
d
Y
a
b
negativo 1.0000000 0.0000000
positivo 0.3333333 0.6666667
n
Y
[,1]
[,2]
negativo 2.333333 0.6110101
positivo 3.666667 1.5275252
Ejercicio 4
salida:
negativo positivo
negativo
3
1
positivo
0
2
> bayesLaplace
Naive Bayes Classifier for Discrete Predictors
Call:
naiveBayes.default(x = X, y = Y, laplace = laplace)
A-priori probabilities:
Y
negativo positivo
0.5
0.5
Conditional probabilities:
d
Y
a b
negativo 0.8 0.2
positivo 0.4 0.6
n
Y
[,1]
[,2]
negativo 2.333333 0.6110101
positivo 3.666667 1.5275252
(Para d=”b”, n=3.5)
Naive Bayes Classifier for Discrete Predictors
Call:
naiveBayes.default(x = X, y = Y, laplace = laplace)
A-priori probabilities:
Y
negativo positivo
0.5
0.5
Conditional probabilities:
d
Y
a b
negativo 0.8 0.2
positivo 0.4 0.6
n
Y
[,1]
[,2]
negativo 2.333333 0.6110101
positivo 3.666667 1.5275252
(Para d=”a”, n=2)
Naive Bayes Classifier for Discrete Predictors
Call:
naiveBayes.default(x = X, y = Y, laplace = laplace)
A-priori probabilities:
Y
negativo positivo
0.5
0.5
Conditional probabilities:
d
Y
a b
negativo 0.8 0.2
positivo 0.4 0.6
n
Y
[,1]
[,2]
negativo 2.333333 0.6110101
positivo 3.666667 1.5275252
Ejercicio 5
En los dos ejercicios Obtuve los mismos resultados Los dos tuvieron buena efectividad.
En lo personal utilizaría EVM ya que es eficiente y es consistente
Ejercicio 6
Se obtienen
las entradas
D,N,C
Se hacen Las
pruebas
D………………
Se determina
si es positivo
o negativo.
…………… Positivo
N……………… pruebas…………..
C……………..
…………………. Negativo
Ejercicio 8





Entrenar el conjunto de datos
Validar en el conjunto de Datos
Si (Cambio en la precisión de validación >0) entonces Hacer (1y2)
Fin si (dejar de entrenar)
Se prueba en el conjunto de datos.
Ejercicio 9
*inician variables
*bucle de interaciones
*leer valores
*Calcular error
*Actualizar pesos según sea el error
* Actualizar los pesos en las entradas
*Ver si el vector peso es correcto
*Salida4