Good Stuff Happens in 1:1 Meetings: Why you need them and how to do them well
Informe aplicación de red neuronal multicapas
1. Informe aplicación de red
neuronal multicapas
DRY BEAN DATASET
Diaz Jorge; Escorcia Deiber, Garcia Carlos; Villa Jorge | Inteligencia Artificial | 18/08/21
2. PÁGINA 1
Problema a resolver
El problema propuesto es clasificar de forma correcta los frijoles, según su forma,
tamaño, perimero, area; a partir de un conjunto de datos, con propiedades; con el fin
de predecir las clases de frijoles. Este modelo es util para respaldar las evaluaciones y
mejorar la produccion
DESCRIPCION DE LOS DATOS
Los datos proporcionados en un bloque de elementos, se utilizaron siete tipos diferentes
de frijoles secos, tomando en cuenta las características como forma, forma, tipo y estructura por
la situación del mercado. Se desarrolló un sistema de visión por computadora para distinguir
siete variedades diferentes registradas de frijoles secos con características similares a fin de
obtener una clasificación uniforme de las semillas. Para el modelo de clasificación, se tomaron
imágenes de 13,611 granos de 7 frijoles secos registrados diferentes con una cámara de alta
resolución. Las imágenes de frijol obtenidas por el sistema de visión por computadora fueron
sometidas a etapas de segmentación y extracción de características, y un total de 16
características; Se obtuvieron 12 dimensiones y 4 formas de los granos.
− Área (A): El área de una zona de frijoles y el número de píxeles dentro de sus límites.
− Perímetro (P): La circunferencia del frijol se define como la longitud de su borde.
− Longitud del eje mayor (L): La distancia entre los extremos de la línea más larga que se
puede dibujar de un frijol.
− Longitud del eje menor (l): La línea más larga que se puede trazar desde el frijol
estando perpendicular al eje principal.
− Relación de aspecto (K): define la relación entre L e l.
− Excentricidad (Ec): Excentricidad de la elipse que tiene los mismos momentos que la
región.
− Área convexa (C): Número de píxeles en el polígono convexo más pequeño que puede
contener el área de una semilla de frijol.
− Diámetro equivalente (Ed): El diámetro de un círculo que tiene la misma área que el
área de una semilla de frijol.
− Extensión (Ex): La relación entre los píxeles del cuadro delimitador y el área del bean.
− Solidez (S): También conocida como convexidad. La relación entre los píxeles de la
cáscara convexa y los que se encuentran en los frijoles.
− Redondez (R): Calculado con la siguiente fórmula: (4piA) / (P ^ 2)
− Compacidad (CO): Mide la redondez de un objeto: Ed / L
− ShapeFactor1 (SF1)
3. PÁGINA 2
− ShapeFactor2 (SF2)
− ShapeFactor3 (SF3)
− ShapeFactor4 (SF4)
− Clase (Seker, Barbunya, Bombay, Cali, Dermosan, Horoz y Sira)
Figura 1
Cabe resaltar que abordamos problemas con el modelo de clasificacion, en el cual se
establece limites arbitrarios para el variable dependiente que seria la clase, para poder
identificar la de mejor clasificacion según su morfologia.
EVALUACION
En este aspecto, describiremos las acciones (pruebas), como las configuraciones de los
parámetros de la red neuronal.
Nuestra tabla consta de 16 colunas como lo lee la librería Panda
4. PÁGINA 3
Prueba No. 1
Como se aprecia en la imagen los parámetros usados, tenemos como resultado usando
la librería GridSearch una precisión estimada
Matriz de confusión
Posteriormente hallamos la matriz de confusión con GrdiSearch
Según los datos de precisión por clasificación de frijoles secos tenemos como
resultados óptimos según la función GridSearch 0.9315310020570086,con un Alpha
0.01
Prueba No. 2
5. PÁGINA 4
Matriz de confusión
Con esto hallamos la matriz de confusión con GridSearch
A su vez obtendremos una precisión 0.9356450191007935 sugerida a la más optima con
un alfa 0.0001
Prueba no. 3
6. PÁGINA 5
Matriz de confusión
En este recuadro vemos la matriz de confusión con GridSearch
Matriz de confusión usando la librería GridSearch,obteniendo una precisión de
0.9309432853364679, con un Alpha de 0.001
RESULTADOS
Este informe se relato como es la clasificación de los frijoles secos por
clases(categorías) basándose en su tamaño, perímetro entre otros con el fin de evaluar
el de mejor clasificación según su clase
Y después de tres pruebas de ensayo y error podemos inferir que la prueba no.3 tiene
una precisión alcanzada cerca de 93% mas por milésimas de diferencias, cabe resaltar
que en los cuadros de precisión y clases podemos apreciar el comportamiento