Red neuronal para regresión

Aquí tienes un ejemplo para construir y entrenar una red neuronal con Keras para el dataset fetch_california_housing, disponible en scikit-learn. Este dataset se usa para problemas de regresión (predicción de valores numéricos, como el precio de una casa en California).

El ejemplo incluye los siguientes pasos:

1. Carga y preprocesamiento del dataset.
2. Construcción y entrenamiento de la red neuronal.
3. Evaluación y graficado de las predicciones frente a los valores reales.

Paso 1: Preparación de los Datos

Cargamos el dataset y lo preprocesamos para que se ajuste a la red neuronal.

from sklearn.datasets import fetch_california_housing
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense
import matplotlib.pyplot as plt
import numpy as np

# Cargar el dataset de California Housing
data = fetch_california_housing()
X, y = data.data, data.target  # X = características, y = objetivo (precio medio de la vivienda)

# Dividir en conjuntos de entrenamiento y prueba
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42)

# Escalar los datos (es importante para mejorar el rendimiento en redes neuronales)
scaler = StandardScaler()
X_train = scaler.fit_transform(X_train)
X_test = scaler.transform(X_test)

Paso 2: Construcción y Entrenamiento del Modelo

Creamos una red neuronal para la regresión (con una capa de salida de una sola neurona sin función de activación).

# Crear el modelo de red neuronal para regresión
model = Sequential([
    Dense(64, input_shape=(X_train.shape[1],), activation='relu'),
    Dense(32, activation='relu'),
    Dense(1)  # Capa de salida para regresión
])

# Compilar el modelo
model.compile(optimizer='adam', loss='mse', metrics=['mae'])  # mse = Mean Squared Error, mae = Mean Absolute Error

# Entrenar el modelo
history = model.fit(X_train, y_train, epochs=50, batch_size=32, validation_split=0.2)

Paso 3: Graficar el Proceso de Entrenamiento

Podemos graficar la pérdida (mse) y el error absoluto medio (mae) durante el entrenamiento.

# Graficar la pérdida y precisión (mae) durante el entrenamiento
plt.figure(figsize=(14, 5))

# Pérdida (MSE)
plt.subplot(1, 2, 1)
plt.plot(history.history['loss'], label='Entrenamiento')
plt.plot(history.history['val_loss'], label='Validación')
plt.xlabel('Épocas')
plt.ylabel('MSE (Error Cuadrático Medio)')
plt.title('Pérdida durante el Entrenamiento')
plt.legend()

# Error Absoluto Medio (MAE)
plt.subplot(1, 2, 2)
plt.plot(history.history['mae'], label='Entrenamiento')
plt.plot(history.history['val_mae'], label='Validación')
plt.xlabel('Épocas')
plt.ylabel('MAE (Error Absoluto Medio)')
plt.title('Error Absoluto Medio durante el Entrenamiento')
plt.legend()

plt.show()

Paso 4: Evaluar el Modelo y Graficar las Predicciones

Generamos predicciones sobre los datos de prueba y las comparamos con los valores reales.

# Predecir en el conjunto de prueba
y_pred = model.predict(X_test).flatten()  # Aplanar para que sea 1D

# Graficar predicciones frente a valores reales
plt.figure(figsize=(10, 5))
plt.plot(y_test[:100], label='Valores Reales', marker='o')
plt.plot(y_pred[:100], label='Predicciones', marker='x')
plt.xlabel('Muestras')
plt.ylabel('Precio Medio de la Vivienda')
plt.title('Predicciones vs Valores Reales (Primeras 100 Muestras)')
plt.legend()
plt.show()

Explicación del Código

1. Estructura del modelo: La red tiene una capa de salida con 1 neurona, ya que estamos tratando con un problema de regresión. No utilizamos una función de activación en la última capa.
2. Métricas:
   • mse (Error cuadrático medio) como la función de pérdida, ya que es adecuada para problemas de regresión.
   • mae (Error absoluto medio) para evaluar el rendimiento de forma más intuitiva.
3. Visualización:
   • Graficamos tanto mse como mae para ver el progreso en el entrenamiento.
   • Comparamos los valores de predicción y los valores reales de las primeras 100 muestras del conjunto de prueba.

from sklearn.datasets import fetch_california_housing
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense
import matplotlib.pyplot as plt
import numpy as np

# Cargar el dataset de California Housing
data = fetch_california_housing()
X, y = data.data, data.target  # X = características, y = objetivo (precio medio de la vivienda)

# Dividir en conjuntos de entrenamiento y prueba
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42)

# Escalar los datos (es importante para mejorar el rendimiento en redes neuronales)
scaler = StandardScaler()
X_train = scaler.fit_transform(X_train)
X_test = scaler.transform(X_test)
# Crear el modelo de red neuronal para regresión
model = Sequential([
    Dense(64, input_shape=(X_train.shape[1],), activation='relu'),
    Dense(32, activation='relu'),
    Dense(1)  # Capa de salida para regresión
])

# Compilar el modelo
model.compile(optimizer='adam', loss='mse', metrics=['mae'])  # mse = Mean Squared Error, mae = Mean Absolute Error

# Entrenar el modelo
history = model.fit(X_train, y_train, epochs=100, batch_size=32, validation_split=0.2)
# Graficar la pérdida y precisión (mae) durante el entrenamiento
plt.figure(figsize=(14, 5))

# Pérdida (MSE)
plt.subplot(1, 2, 1)
plt.plot(history.history['loss'], label='Entrenamiento')
plt.plot(history.history['val_loss'], label='Validación')
plt.xlabel('Épocas')
plt.ylabel('MSE (Error Cuadrático Medio)')
plt.title('Pérdida durante el Entrenamiento')
plt.legend()

# Error Absoluto Medio (MAE)
plt.subplot(1, 2, 2)
plt.plot(history.history['mae'], label='Entrenamiento')
plt.plot(history.history['val_mae'], label='Validación')
plt.xlabel('Épocas')
plt.ylabel('MAE (Error Absoluto Medio)')
plt.title('Error Absoluto Medio durante el Entrenamiento')
plt.legend()

plt.show()
# Predecir en el conjunto de prueba
y_pred = model.predict(X_test).flatten()  # Aplanar para que sea 1D

# Graficar predicciones frente a valores reales
plt.figure(figsize=(10, 5))
plt.plot(y_test[:100], label='Valores Reales', marker='o')
plt.plot(y_pred[:100], label='Predicciones', marker='x')
plt.xlabel('Muestras')
plt.ylabel('Precio Medio de la Vivienda')
plt.title('Predicciones vs Valores Reales (Primeras 100 Muestras)')
plt.legend()
plt.show()
import seaborn as sns
from sklearn.linear_model import LinearRegression

# Graficar las predicciones frente a los valores reales en el conjunto de prueba
plt.figure(figsize=(8, 8))

# Gráfico de dispersión
sns.scatterplot(x=y_test, y=y_pred, label='Predicciones')

# Ajustar una línea de regresión para ver la relación entre valores reales y predichos
regressor = LinearRegression()
regressor.fit(y_test.reshape(-1, 1), y_pred)  # Ajustar el modelo de regresión lineal
line_x = np.linspace(min(y_test), max(y_test), 100)  # Crear una línea de puntos para el eje X
line_y = regressor.predict(line_x.reshape(-1, 1))    # Predecir valores Y para esos puntos X

# Agregar línea de regresión de los datos predichos
plt.plot(line_x, line_y, color="red", label="Línea de Regresión Predicha")

# Línea ideal (y=x) para comparar con una predicción perfecta
plt.plot(line_x, line_x, color="green", linestyle="--", label="Línea Ideal (y=x)")

# Personalizar el gráfico
plt.xlabel("Valores Reales")
plt.ylabel("Predicciones")
plt.title("Predicciones vs Valores Reales con Línea de Regresión")
plt.legend()
plt.show()