Академический Документы
Профессиональный Документы
Культура Документы
Carlos Muñoz
carlos.munozm@uteq.edu.ec
En esta práctica se procederá a crear un modelo óptimo de regresión lineal y de redes neuronales
para poder determinar cuál de estos modelos realizará una predicción con mayor calidad. Para
determinar un modelo óptimo se utilizará la técnica llamada K-fold Cross Validation (Validación
Cruzada) con 14 iteraciones, cabe recalcar que el conjunto de datos a utilizar será iris.
#K-fold
for(i in 1:iteraciones)
{
indices = c(inicio:fin)
datosPrueba = datos[indices, ]
datosEntrenamiento = datos[-indices, ]
set.seed(1)
inicio = inicio + 10
fin = fin + 10
}
Luego de aplicar la validación cruzada obtuvimos un modelo de redes neuronales con un 98,3%
(0.9833333) de calidad de predicción.
Ahora procederemos a encontrar el mejor modelo de regresión lineal
datos = iris[,-5]
iteraciones = 14
inicio = 1
fin = 10
#K-fold
for(i in 1:iteraciones)
{
indices = c(inicio:fin)
datosPrueba = datos[indices, ]
datosEntrenamiento = datos[-indices, ]
set.seed(1)
inicio = inicio + 10
fin = fin + 10
}
Una vez aplicada la validación cruzada obtuvimos un modelo de regresión lineal con un 100% de
calidad de predicción.
Finalmente procederemos a comparar las predicciones de los dos mejores modelos (regresión y
redes neuronales) para poder escoger el mejor.
#Modelo de Redes Neuronales
prediccionNNET = predict(mejorModeloNNET, datos)
calFinNNET = mean(colAUC(prediccionNNET, datos$Petal.Width))
x11()
layout(matrix(c(1:2), nrow = 1, byrow = FALSE))
layout.show(2)
2.5
Original Original
Predicción Predicción
2.0
2.0
1.5
prediccionNNET
1.5
prediccionLM
1.0
1.0
0.5
0.5
0.0
0.0
0.5 1.0 1.5 2.0 2.5 0.5 1.0 1.5 2.0 2.5
Petal.Width Petal.Width
Conclusión:
Luego de probar los mejores modelos de regresión lineal y redes neuronales, podemos concluir que
el modelo de redes neuronales es mejor, debido a que este ofrece una calidad de predicción del
92,9% ante un 92,7% del modelo de regresión lineal.