robintux · September 11, 2024 02:00
diff --git a/Problem_with_Graph_execution_error.py b/Problem_with_Graph_execution_error.py
 # %% Primer Paso : Datos y modulos 

 import numpy as np
 import pandas as pd
 import matplotlib.pyplot as plt 
 import seaborn as sns

 # Keras 
 from keras.layers import Dense
 from keras.models import Sequential

 import os 
 os.chdir("/home/abraham/Desktop/PDE_ML_Jul2022")

 # Cargaremos el dataset :  pima-indians
 url = "https://raw.githubusercontent.com/robintux/Datasets4StackOverFlowQuestions/master/pima-indians-diabetes.csv"


 dataset = pd.read_csv(url,
                      header = None)

 # Pima Indians
 # Problema de clasificacion (la 9na columna es la variable dependiente)
 # Todas las variables independientes son numericas (colmnas 0,1,2,..., 8)

 X = dataset.loc[:,0:7]
 y = dataset.loc[:,8]

 # Deseo obtener : y = f(X)
 # f : red neuronal 

 # %% 2do Paso : Definamos el modelos 
 
 # Creamos el modelo : Clase Sequential
 model1 = Sequential()
 # En model1 almacenamos el esqueleto de mi estructura 

 # Agregamos capas a mi red neuronal :
 # Agreguemos una capa para definir la capa de entrada (con el 
 # correspondiente numero de variables independiente : 8) y el numero 
 # de neuronas de la primera capa oculta, ademas de la funcion de 
 # activacion.
 model1.add(Dense(input_dim = 8, units = 15, activation = "relu",
                 name = "1eraCapaOculta_5Neuronas") )
 # 
 # Agreguemos otra capa oculta : neuronas = 7
 model1.add(Dense(units = 12, activation = "tanh", 
                 name = "2daCapaOculta_7Neuronas"))
 # 
 # Agreguemos una 3era capa oculta con 12 neuronasl 
 model1.add(Dense(units = 20, activation = "relu",
                 name = "3eraCapaOculta_12Nueronas"))
 # 
 # Agreguemos nuestra capa de salida 
 # Aqui es donde debemos tener en consideracion la naturaleza de la variable
 # de respuesta/target : y (binaria). Esto para especificar la funcion de 
 # activacion
 model1.add(Dense(1,activation = "sigmoid",
                 name ="Capa_de_SAlida"))

 # Observemos a model1
 # from keras.utils.vis_utils import plot_model
 from keras.utils import plot_model
 plot_model(model1,
           show_shapes = True,
           show_layer_names = True)




 # %% 3er Paso : Compilamos el modelo
 # COnsideremos 3 aspectos de la compilacion de la arquitectura
 # diseñada en el paso anterior :
    # Funcion de  Perdida : Esta en dependencia de la variable de salida
        # https://math.libretexts.org/Courses/Universidad_Complutense_de_Madrid/Las_matematicas_de_la_inteligencia_artificial/07%3A_Redes_Neuronales/7.04%3A_Funciones_de_Perdida
        # https://keepcoding.io/blog/funcion-perdidas-deep-learning/
    # Optimizador
    # metrica

 # COmpilamos
 model1.compile(loss = "binary_crossentropy",
               optimizer = "adam",
               metrics = ["accuracy"]
               )


 # %% 4to Pasoo : Ajustamos nuestro dataset a la arquitectura de RN
 # 
 # Usamos el metodo fit
 # Debemos tener en cuenta dos argumentos :
    # epoch : Pasamos a traves de todas las filas de nuestro 
    # conjunto de datos 
    # 
    # batch_size : Numero de filas consideradas porel modelo dentro
    # de una apoca antes de actualizar los pesos 
 model1.fit(X, y, batch_size = 10, epochs = 15)
	# %% Primer Paso : Datos y modulos

	import numpy as np
	import pandas as pd
	import matplotlib.pyplot as plt
	import seaborn as sns

	# Keras
	from keras.layers import Dense
	from keras.models import Sequential

	import os
	os.chdir("/home/abraham/Desktop/PDE_ML_Jul2022")

	# Cargaremos el dataset : pima-indians
	url = "https://raw.githubusercontent.com/robintux/Datasets4StackOverFlowQuestions/master/pima-indians-diabetes.csv"


	dataset = pd.read_csv(url,
	header = None)

	# Pima Indians
	# Problema de clasificacion (la 9na columna es la variable dependiente)
	# Todas las variables independientes son numericas (colmnas 0,1,2,..., 8)

	X = dataset.loc[:,0:7]
	y = dataset.loc[:,8]

	# Deseo obtener : y = f(X)
	# f : red neuronal

	# %% 2do Paso : Definamos el modelos

	# Creamos el modelo : Clase Sequential
	model1 = Sequential()
	# En model1 almacenamos el esqueleto de mi estructura

	# Agregamos capas a mi red neuronal :
	# Agreguemos una capa para definir la capa de entrada (con el
	# correspondiente numero de variables independiente : 8) y el numero
	# de neuronas de la primera capa oculta, ademas de la funcion de
	# activacion.
	model1.add(Dense(input_dim = 8, units = 15, activation = "relu",
	name = "1eraCapaOculta_5Neuronas") )
	#
	# Agreguemos otra capa oculta : neuronas = 7
	model1.add(Dense(units = 12, activation = "tanh",
	name = "2daCapaOculta_7Neuronas"))
	#
	# Agreguemos una 3era capa oculta con 12 neuronasl
	model1.add(Dense(units = 20, activation = "relu",
	name = "3eraCapaOculta_12Nueronas"))
	#
	# Agreguemos nuestra capa de salida
	# Aqui es donde debemos tener en consideracion la naturaleza de la variable
	# de respuesta/target : y (binaria). Esto para especificar la funcion de
	# activacion
	model1.add(Dense(1,activation = "sigmoid",
	name ="Capa_de_SAlida"))

	# Observemos a model1
	# from keras.utils.vis_utils import plot_model
	from keras.utils import plot_model
	plot_model(model1,
	show_shapes = True,
	show_layer_names = True)




	# %% 3er Paso : Compilamos el modelo
	# COnsideremos 3 aspectos de la compilacion de la arquitectura
	# diseñada en el paso anterior :
	# Funcion de Perdida : Esta en dependencia de la variable de salida
	# https://math.libretexts.org/Courses/Universidad_Complutense_de_Madrid/Las_matematicas_de_la_inteligencia_artificial/07%3A_Redes_Neuronales/7.04%3A_Funciones_de_Perdida
	# https://keepcoding.io/blog/funcion-perdidas-deep-learning/
	# Optimizador
	# metrica

	# COmpilamos
	model1.compile(loss = "binary_crossentropy",
	optimizer = "adam",
	metrics = ["accuracy"]
	)


	# %% 4to Pasoo : Ajustamos nuestro dataset a la arquitectura de RN
	#
	# Usamos el metodo fit
	# Debemos tener en cuenta dos argumentos :
	# epoch : Pasamos a traves de todas las filas de nuestro
	# conjunto de datos
	#
	# batch_size : Numero de filas consideradas porel modelo dentro
	# de una apoca antes de actualizar los pesos
	model1.fit(X, y, batch_size = 10, epochs = 15)