Estado civil: {casado/a, soltero/a, divorciado/a}

Tamaño: px

Comenzar la demostración a partir de la página:

Download "Estado civil: {casado/a, soltero/a, divorciado/a}"

Natalia Nieto Figueroa
hace 7 años
Vistas:

Universidad Rey Juan Carlos Curso 2011 2012 Inteligencia Artificial Ingeniería Informática Hoja de Problemas 9 1. Un banco quiere clasificar los clientes potenciales en fiables o no fiables.

Ingresos: { [10K 25K], [25K 50K], [50K 65K], [65K 100K], [100K+]} Diseñar una red neuronal que se podría entrenar para predecir si un cliente es fiable o no.

Como tenemos que clasificar clientes fiables o no, nuestra red tendrá una sola neurona de salida, 0 = no fiable, 1 = fiable.

1 Universidad Rey Juan Carlos Curso Inteligencia Artificial Ingeniería Informática Hoja de Problemas 9 1. Un banco quiere clasificar los clientes potenciales en fiables o no fiables. El banco tiene un dataset de clientes antiguos, con los siguientes atributos: Estado civil: {casado/a, soltero/a, divorciado/a} Género: {varón, mujer} Edad: { [18 30], [30 50], [50 65], [65+]} Ingresos: { [10K 25K], [25K 50K], [50K 65K], [65K 100K], [100K+]} Diseñar una red neuronal que se podría entrenar para predecir si un cliente es fiable o no. Una red neuronal trabaja con entradas y salidas simbólicas, es decir cada neurona tendrá como entrada o salida un bit, 0 o 1. Como tenemos que clasificar clientes fiables o no, nuestra red tendrá una sola neurona de salida, 0 = no fiable, 1 = fiable. Por lo que se refiere a las entradas, tenemos Estado civil: 3 valores, que se pueden expresar con dos neuronas, 00 = casado/a, 01 = soltero/a, 10 = divorciado/a Género: 2 valores, que se pueden expresar con una neuronas, 0 = varón, 1 = mujer Edad: 4 valores, que se pueden expresar con dos neuronas,00 = [18 30], 01 = [30 50], 10 = [50 65], 11 = [65+] Ingresos: 5 valores, que se pueden expresar con tres neuronas,000 = [10K 25K], 001 = [25K 50K], 010 = [50K 65K], 011 = [65K 100K], 100 = [100K+] La red resultante será: Página 1 de 7

2 Página 2 de 7

3 2. Una empresa de videojuegos está desarrollando un FPSG (first person shooting game). Para implementar los personajes artificiales del juego, el jefe de proyecto, ex estudiante del curso de IA en la URJC, ha pensado que podría ser interesante e innovador utilizar una red neuronal. Dicha red tendrá que implementar el algoritmo de control de los personajes artificiales, usando los siguientes inputs: Salud: de 0 (débil) a 2 (fuerte) Tiene cuchillo: 0 si no lo tiene, 1 si lo tiene Tiene arma: 0 si no la tiene, 1 si la tiene Enemigos: número de enemigos en el campo visual Las acciones que el personaje puede ejecutar son: Esconderse Atacar Escapar Andar (a) Diseñar una red neuronal que se podría entrenar para implementar el algoritmo de control de los personajes artificiales. Las entradas son 2 bits para salud (00=débil, 01=medio, 10=fuerte), 1 bit para Tiene cuchillo, 1 bit para Tiene arma y 3 bits para Enemigos (podemos tener de 000=0 enemigos a la vista hasta 111=8 o más enemigos). Tenemos que representar 4 acciones (=clases), por lo tanto necesito 2 neuronas de salida, donde 00=esconderse, 01=atacar, 10=escapar, y 11=andar. Mi red por lo tanto podría ser como la en figura a. Página 3 de 7

4 (b) Considera el siguiente vector de input: x=[salud=2, Tiene cuchillo=0, Tiene arma=1, Enemigos=2] y la salida deseada y=atacar Inicializa los pesos de la capa oculta con el valor 0.1, los pesos de la capa de salida con 0.2, y el umbral de las funciones de activación con el valor 0.5, y aplica la propagación hacia atrás del error (α = 0,1), usando el elemento del conjunto de entrenamiento definido arriba e indicando como cambian los pesos. La entrada corresponde al vector x= , y la salida corresponde al vector y=01. Calculamos primero la salidas de la neuronas de la capa oculta o1 = 0 (1 0, , , , , , ,1 = 0,3 < 0,5) o2 = 0 (1 0, , , , , , ,1 = 0,3 < 0,5) o3 = 0 (1 0, , , , , , ,1 = 0,3 < 0,5) Calculamos ahora las salidas de las neuronas de la capa de salida y1 = 0 (0 0, , ,2 = 0 < 0,5) y2 = 0 (0 0, , ,2 = 0 < 0,5) La salida deseada era y1 = 1, y2 = 0 por lo tanto los valores de errores son ey1 = 1 0 = 1 ey2 = 0 0 = 0 Calculamos como se modifican los pesos entre las neuronas de la capa oculta y las neuronas de la capa de salida o1y1 = α ey1 o1 = 0,1 1 0 = 0 o2y1 = α ey1 o2 = 0,1 1 0 = 0 o3y1 = α ey1 o3 = 0,1 1 0 = 0 o1y2 = α ey2 o1 = 0,1 0 0 = 0 o2y2 = α ey2 o2 = 0,1 0 0 = 0 o3y2 = α ey2 o3 = 0,1 0 0 = 0 Por lo tanto los pesos entre las neuronas de la capa oculta y las neuronas de la capa de salida no se modifican. Vamos ahora a definir el error para las neuronas de la capa oculta eo1 = 0,2 ey1 + 0,2 ey2 = 0, ,2 0 = 0,2 eo2 = 0,2 ey1 + 0,2 ey2 = 0, ,2 0 = 0,2 eo3 = 0,2 ey1 + 0,2 ey2 = 0, ,2 0 = 0,2 Página 4 de 7

5 Calculamos como se modifican los pesos entre las entradas y las neuronas de la capa oculta x1o1 = α eo1 x1 = 0,1 0,2 0 = 0 x1o2 = α eo2 x1 = 0,1 0,2 0 = 0 x1o3 = α eo3 x1 = 0,1 0,2 0 = 0 x2o1 = α eo1 x2 = 0,1 0,2 1 = 0,02 x2o2 = α eo2 x2 = 0,1 0,2 1 = 0,02 x2o3 = α eo3 x2 = 0,1 0,2 1 = 0,02 x3o1 = α eo1 x3 = 0,1 0,2 0 = 0 x3o2 = α eo2 x3 = 0,1 0,2 0 = 0 x3o3 = α eo3 x3 = 0,1 0,2 0 = 0 x4o1 = α eo1 x4 = 0,1 0,2 1 = 0,02 x4o2 = α eo2 x4 = 0,1 0,2 1 = 0,02 x4o3 = α eo3 x4 = 0,1 0,2 1 = 0,02 x5o1 = α eo1 x5 = 0,1 0,2 0 = 0 x5o2 = α eo2 x5 = 0,1 0,2 0 = 0 x5o3 = α eo3 x5 = 0,1 0,2 0 = 0 x6o1 = α eo1 x6 = 0,1 0,2 0 = 0 x6o2 = α eo2 x6 = 0,1 0,2 0 = 0 x6o3 = α eo3 x6 = 0,1 0,2 0 = 0 x7o1 = α eo1 x7 = 0,1 0,2 1 = 0,02 x7o2 = α eo2 x7 = 0,1 0,2 1 = 0,02 x7o3 = α eo3 x7 = 0,1 0,2 1 = 0,02 3. Sea la red neuronal en figura, supón que la función de activación de las neuronas 1,2,3,4 y 5 sea la función umbral, que devuelve 1 si las suma pesada de las entradas es mayor que T, 0 en caso contrario. Dado el siguiente elemento del conjunto de entrenamiento: (x,y) = (x=[e1=0.6, E2=0.1], y=[4=0, 5=1]) donde el valor la entrada 1 es 0,6, el valor de la entrada 2 es 0,1, la salida de la neurona 4 es 0 y la salida de la neurona 5 es 1. Sea 0,1 la constante de aprendizaje, aplica la propagación hacia atrás del error usando el elemento del conjunto de entrenamiento, indicando como cambian los pesos. Calculamos la salida de las neuronas de la capa oculta Página 5 de 7

1 0,1 0,6 0,2 0,1 = 0,04 < 0,1 0 (1) 2 0 0,6 + 0,2 0,1 = 0,02 < 0,1 0 (2) 3 0,3 0,6 0,4 0,1 = 0,14 < 0,5 0 (3) Calculamos la salida de las neuronas de salida 4 0,4 0 + 0,1 0 + 0,6 0 = 0 > 0,1 1 (4)

6 1 0,1 0,6 0,2 0,1 = 0,04 < 0,1 0 (1) 2 0 0,6 + 0,2 0,1 = 0,02 < 0,1 0 (2) 3 0,3 0,6 0,4 0,1 = 0,14 < 0,5 0 (3) Calculamos la salida de las neuronas de salida 4 0, , ,6 0 = 0 > 0,1 1 (4) Calculamos el error de la capa de salida 5 0,2 0 0,1 0 0,2 0 = 0 < 0,6 0 (5) Los pesos w i,4/5 se deberían actualizar con la regla e = 1 (6) e = 1 (7) w i,4/5 = w i,4/5 + x i 0,1 e 4/5 (8) pero como todo los x i son 0, los pesos de la capa oculta no se modifican. Calculamos entonces los errores de la capa oculta Página 6 de 7

7 e 1 0,4 e 6 + 0,2 e 7 = 0,6 (9) e 2 0,1 e 6 0,1 e 7 = 0,2 (10) e 3 0,6 e 6 0,2 e 7 = 0,8 (11) el error e 1 es positivos, mientras que e 2 y e 3 son negativos. Entonces los pesos w E1/E2,1 deberían aumentar, y los pesos w E1/E2,2 y w E1/E2,3 deberían disminuir. Calculamos los nuevos pesos de la capa de entrada w E1,1 = 0,1 + 0,6 0,1 e 1 = 0,136 (12) w E2,1 = 0,2 + 0,1 0,1 e 1 = 0,194 (13) w E1,2 = 0 + 0,6 0,1 e 2 = 0,012 (14) w E2,2 = 0,2 + 0,1 0,1 e 2 = 0,198 (15) w E1,3 = 0,3 + 0,6 0,1 e 3 = 0,252 (16) w E2,3 = 0,4 + 0,1 0,1 e 3 = 0,408 (17) Página 7 de 7

Documentos relacionados

Inteligencia Artificial. Aprendizaje neuronal. Ing. Sup. en Informática, 4º. Curso académico: 2011/2012 Profesores: Ramón Hermoso y Matteo Vasirani

Inteligencia Artificial. Aprendizaje neuronal. Ing. Sup. en Informática, 4º. Curso académico: 2011/2012 Profesores: Ramón Hermoso y Matteo Vasirani Inteligencia Artificial Aprendizaje neuronal Ing. Sup. en Informática, 4º Curso académico: 20/202 Profesores: Ramón Hermoso y Matteo Vasirani Aprendizaje Resumen: 3. Aprendizaje automático 3. Introducción