Redes-Base-Radial (RBF)

Neuronal-Networking
juan

Nota: (Las Redes-Base-Radial (RBF) son un tipo de redes de neuronas artificiales que calculan la salida de la función en función de la distancia a un punto denominado centro. La función de base radial es una función que calcula la distancia euclidea de un vector de entrada con respecto de un centro).

 

Redes-Base-Radial (RBF)

-. Las Redes-Base-Radial (RBF), son un tipo de Red-Neuronal-Artificial que se utiliza para problemas de aproximación de funciones, se utilizan para estructurar de información y conjuntos de datos, en principio desconocidos. Tiene una arquitectura de tres capas, cada neurona tiene un cierto grado de conexión con neuronas colaterales y la salida es una combinación lineal de las funciones de activación radiales utilizadas por las neuronas individuales.

-. El aprendizaje consiste en la determinación de los Centros, Desviaciones y Pesos de la Capa-Oculta a la Capa-Salida. Se separarán los parámetros de la Capa-Oculta de la Capa-Salida para optimizar el proceso. De esta forma, los Centros y las Desviaciones siguen un proceso guiado por una optimización en el espacio de Capa-Entrada, mientras que los Pesos siguen una optimización sobre la base de las Capas-Salidas que se desean obtener y en estas Capa-Salida está designada para tareas de predicción como Clasificación o Regresión, por supuestos la Capa-Salida, su numero pude ser el que necesitemos.

Nota: En el Machine-Learning el kernel de función de base radial o kernel RBF , es una función de kernel popular utilizada en varios algoritmos de aprendizaje kernelizados . En particular, se usa comúnmente en la clasificación de máquinas de soporte vectores. Una función de base radial (RBF) es una función real cuyo valor depende sólo de la distancia del origen o de forma alternativa de la distancia a algún centro. La Euclidiana es la mas usada.

 

Arquitectura-Redes-Base-Radial (RBF)

Capa-Entrada-Input:

  • La Capa-Entrada contiene de una Neurona para cada Variable-Predictora. Las Neuronas-Entrada pasan el valor a Cada-Neurona en la Capa-Oculta. Las Neuronas se asigna valores categóricos, un número de categorías.

Capa-Oculta:

  • La Capa-Oculta contiene un número variable de Neuronas esto lo determina por el proceso de entrenamiento. Cada Neurona comprende una función de base radial centrada en un punto. El número de Dimensiones coincide con el número de Variables-Predictoras. El Radio o Dispersión de la función RBF puede variar para cada Dimensión.
  • Cuando introducimos valores desde la Capa-Entrada, una Neurona-Oculta calcula la distancia Euclidiana entre el caso de prueba y el punto central de la Neurona. Luego aplica la función kernel utilizando los valores de dispersión. El valor resultante se introduce en la Capa-Suma (Capa-Salidad).

Capa-Salida & Capa-Suma:

  • El resultado de la Capa-Oculta se procesa por un Peso relativo a la Neurona y se pasa a la sumatoria (Capa-Salida). Se suman los valores ponderados y la suma se presenta como la salida de la Red–Neuronal-(RBF). La clasificación tienen una salida por Categoría-Objetivo, siendo este valor evaluado tenga esa categoría.

 

Implementación-Redes-Base-Radial (RBF)

-. Esta implementación de Red-RBF la ejecutaremos con el Frameworks Scikit-learn con el laboratorio Nº003 Consiste en una utilidad para mover el punto medio de un mapa de colores para estar alrededor de los valores de nos interése.

In (1): Importar las librerias y difinismo la clase Red-RBF.

 

In (2): Conjunto de datos “iris”

 

In (3): Convertir en un problema de clasificación.

 

In (4): Escalar los datos.

 

In (5): Clasificadores de busqueda.

 

In (6): Ajustar un clasificador para la versión 2d.

 

In (7): Visualización de efectos de parámetros

 

Out (1): resultado visualización de efectos de parámetros.

 

Recapitulando:

Redes-Base-Radial RBF utiliza funciones de base radial como funciones de activación. Tiene una arquitectura de tres capas, cada neurona tiene un cierto grado de conexión con neuronas colaterales y la salida es una combinación lineal de las funciones de activación radiales utilizadas por las neuronas individuales. Las redes de funciones de base radial tienen muchos usos, incluida la aproximación de funciones , la predicción de series temporales , la clasificación y el control del sistema.