El objetivo lo cumpliste. Te felicito y vamos por mas, Relacionado con el MKT y python? ]]>
]]>Me ha servido para aprender mejor el concepto de la red, yo ya tenia cierto conocimiento porque soy ingeniero de telecos y llevaba un tiempo leyendo del tema y practicando. Cuando intentaba entenderlo me encontraba con redes enormes como las de clasificacion de imagenes, y acababa saturado al intentar entender el concepto de funcionamiento no me daba para más la cabeza.
Pero algo tan sencillo no me lo había encontrado, genial gracias la verdad 🙂 ]]>
Saludo y agradezco a Juan Ignacio por compartir su conocimiento en éste blog.
En mi caso, estoy iniciando en redes neuronales, y me fue de gran ayuda el ejemplo y documentación.
Tomo el atrevimiento de realizar una consulta y solicitar una sugerencia a la comunidad, y es que en una problemática a resolver mi capa de entrada consta de una lista de listas de 11 elementos
ejemplo lista = [0, 1, 1, 1, 0, 1, 1, 0, 1, 1, 1]
si bien consta de ceros y unos, entiendo que usar el parámetro metrics=[«binary_accuracy»] de model.compile , es erróneo, ya que al intentar utilizar la red entrenada me arroja un error
raise ValueError(f’Input {input_index} of layer «{layer_name}» ‘
ValueError: Exception encountered when calling layer “sequential” (type Sequential).
Input 0 of layer “dense” is incompatible with the layer: expected min_ndim=2, found ndim=1. Full shape
received: (None,)
Call arguments received:
inputs=tf.Tensor(shape=(None,), dtype=int32)
training=False
mask=None
debería utilizar otro metrics ?
Agradecido desde ya
Saludos
Hola Pablo, gracias por escribir! Lo que dices es la etapa luego de entrenar el modelo, para hacer “predict” justamente, que es el objetivo final de la red neuronal (ó de cualquier modelo de ML).
Si te fijas, se muestra un ejemplo al final que pone:
predicciones = model.predict(AQUI_NUEVO_DATAFRAME_SIN_COLUMNA_LABEL)
Eso te dejará las predicciones nuevas y sólo tienes que asignarlas a la columna de label de tu “nuevo dataset”
Saludos!
]]>Mezclando este y otro tutorial me arme un ejemplo propio donde cargo 8 columnas de las cuales las primeras 7 son indicadores medicos y la ultima columna dice CERO/UNO e indica que ese paciente tuvo una determinada enfermedad.
Lo que no termino de entender, es como hacer el paso final que me convierte en util el modelo (ya leido, cargado, entrenado y evaluado): Es decir, ingresar un dataframe de por ejemplo 100 entradas con los 7 datos medicos y que me complete la columna de la enfermedad con cero/uno en un dataframe de output.
]]>Muchas gracias por el aporte!
]]>Me gusto los que hiciste. Me dio un pequeño error por que faltaba una instrucción :
import numpy as np
from keras.models import Sequential
from keras.layers.core import Dense
from keras.models import model_from_json
Luego de añadir esto todo corrió muy bien
]]>Imagino q es xq le metes 2 numeros y te sale un numero o 0 o 1 . Explicame lo de las 16 neuronas. Pq ese numero??
Luego despues de entrenar como lo pruebas?
Yo quiero crear una secuencia de 5 numeros y q me saquee otros 5 numeros o sea q se retroalimente?? Como harias esto?
Gracias o sea seria una entrada de 5 una salida de 5 ?
Muchas gracias
]]>Muchas gracias! 😀 Saludos cordiales
]]>Hola, gracias por escribir, es tan sencillo como usar un dataset donde tus etiquetas de salida sean númericas y pones como neurona de salida solo una.
Te dejó este enlace: https://www.tensorflow.org/tutorials/keras/regression?hl=es-419