No tienes acceso a esta clase

¡Continúa aprendiendo! Únete y comienza a potenciar tu carrera

Red neuronal de pronóstico con datos reales

33/37
Recursos

Aportes 6

Preguntas 1

Ordenar por:

¿Quieres ver más aportes, preguntas y respuestas de la comunidad?

Les comparto mis notas sobre este curso, espero les sean de utilidad

https://github.com/rb-one/Curso_de_Estadistica_Inferencial_con_R/blob/master/Notes/note.md

# Intervalos de confianza de la media -------------------------------------

table(SB11_20111$ECON_SN_INTERNET)

# ¿el internet tiene que ver con el puntaje en fisica?

tamano_muestral <- 300
iteraciones <- 100

poblacion_A <- SB11_20111$FISICA_PUNT[SB11_20111$ECON_SN_INTERNET == 0]
media_pob_A <- mean(poblacion_A, na.rm = TRUE)

poblacion_B <- SB11_20111$FISICA_PUNT[SB11_20111$ECON_SN_INTERNET == 1]
media_pob_B <- mean(poblacion_B, na.rm = TRUE)

plot(media_pob_A, media_pob_B, col = 4, pch= 20)
abline(0, 1)

for (i in seq_len(iteraciones)){
  muestra <- sample(seq_len(nrow(SB11_20111)), tamano_muestral)
  
  cuales_A <- seq_len(nrow(SB11_20111)) %in% muestra & SB11_20111$ECON_SN_INTERNET == 0
  muestra_A <- SB11_20111$FISICA_PUNT[cuales_A]
  
  media_muestral_A <- mean(muestra_A, na.rm = TRUE)
  t_test_A <- t.test(muestra_A)
  intervalo_A <- t_test_A$conf.int
  LI_A <- min(intervalo_A)
  LS_A <- max(intervalo_A)
  
  cuales_B <- seq_len(nrow(SB11_20111)) %in% muestra & SB11_20111$ECON_SN_INTERNET == 1
  muestra_B <- SB11_20111$FISICA_PUNT[cuales_B]
  
  media_muestral_B <- mean(muestra_B, na.rm = TRUE)
  t_test_B <- t.test(muestra_B)
  intervalo_B <- t_test_B$conf.int
  LI_B <- min(intervalo_B)
  LS_B <- max(intervalo_B)
  
  rect(LI_A, LI_B, LS_A, LS_B)
  
  }

points(media_pob_A, media_pob_B, col = 4, pch = 20, cex = 4)


# Red neuronal de pronostico con datos reales -----------------------------

# Paquetes
library('nnet')

tamano_muestral <- 2000

c(
 'ECON_PERSONAS_HOGAR',
 'ECON_CUARTOS',
 'ECON_SN_LAVADORA',
 'ECON_SN_NEVERA',
 'ECON_SN_HORNO',
 'ECON_SN_DVD',
 'ECON_SN_MICROHONDAS',
 'ECON_SN_AUTOMOVIL',
 'MATEMATICAS_PUNT'
) -> variables

indices_muestra <- seq_len(nrow(SB11_20111)) %in% sample(seq_len(nrow(SB11_20111)), tamano_muestral)

muestra <- subset(SB11_20111, subset = indices_muestra, select = variables)
muestra <- na.omit(muestra)

red_neuronal <- nnet(MATEMATICAS_PUNT ~ ., data = muestra, size = 10, linout= TRUE)

plot(muestra$MATEMATICAS_PUNT ~ predict(red_neuronal))
abline(0, 1, lwd = 2, col =2)

Clasifique las materias en ciencias exactas y ciencias sociales, y obtuve una mejor predicción de la puntuación en matemáticas.
Grafica ciencias exactas, “Biología, Física, Química”

Grafica ciencias sociales, “Lenguaje, Ciencias sociales, Filosofía, Inglés”

Les queria dejar mi notebook pero alguien dejo un mejor aporte @rubenbermudezrivera
https://colab.research.google.com/drive/13ETzG_S4yqa1li6iMXPET1HfYhfm_Yru?usp=sharing
Lo dejo igual

Tomando como variables las calificaciones de las demás materias.

✔ Mi resultado del reto con las variables

"ECON_SN_COMPUTADOR", “ECON_SN_INTERNET”, “FISICA_PUNT”, “QUIMICA_PUNT”, “MATEMATICAS_PUNT” (esta es nuestra y)



mejoró significativamente la posibilidad de predicción con esas variables, seguiré testeando más combinaciones pero esta me gustó bastante. 😁