Análisis de red neuronal
La red neuronal están diseñadas para emular el modo en el que el cerebro humano procesa la información funcionando simultáneamente con un número de unidades de procesamiento interconectadas parecías abstractamente a las neuronas.
Una red neuronal aprender con experiencias previas examinando los registros individuales generando una predicción para cada registro y realizando ajustes en las ponderaciones cuando realiza una presión incorrecta también pueden preparar asociaciones entre patrones de experiencia alterando la fuerza de conexión entre unidades actuación este proceso lo repite muchas veces antes de alcanzar un resultado perfecto.
una red neuronal se compone en 3 capas las cuales son: la capa de entrada, las capas ocultas y la capa de salida; las capas de entrada definen todos los valores de atributos de entrada para el modelo así como sus probabilidades, las capas ocultas son los nodos que reciben la entrada de datos de la capa de entrada en donde se asigna peso a las distintas probabilidades de las entradas un peso describe la realidad e importancia una entrada determinada para la capa oculta cuanto mayor sea el peso signado a una entrada más importante será el valor de dicha misma los presos pueden ser negativos lo que significa que la capa entrada puede impedir la actuación y no de un resultado concreto; la capa de salida cuenta con una unidad o unidades que representan el campo o los campos de destino, ya se conectan con fuerzas de conexión variables o ponderaciones es lo mismo con los datos de entrada y los valores que se propagan desde cada neurona hasta ahora de la siguiente capa al final se envía un resultado desde la capa de salida.
Scikit Learn de Python nos ayuda a crear nuestra red neuronal, a partir de la clasificación de tareas y datos que le insertaremos directamente, esto lo hace mediante una regresión y análisis de grupos de los datos formándose una gráfica el cual habrá un montón de datos distribuidos y se trazará una línea. Haciendo una predicción cuánto se equivoca la red al realizar estas predicciones viendo eso va corrigiéndose según la función del error la cual representa una línea en la cual entre menos mejor va a ser la probabilidad de obtener dicha función esto para qué cuando alcancé un cero casi absoluto de error es que el sistema está bien planificado, esto también lo puede hacer indefinidas veces ya que cuando se Phone los datos están a una cierta distancia en la línea de perfección que la máquina planifica en probabilidades diciendo que es casi perfecto entre menos distancia haya entre los datos y la línea.