Clasificación multiclase supervisada

El MLP también sirve:

1. Generamos nuevamente blobs, pero ahora de 4 clases diferentes.

2. Plotteamos como en la lección pasada con Scatter (No hay mucho reto en esto).

Separar en train/test

Tampoco hay demasiado reto en hacer la separación en entrenamiento y prueba.

• Plotteamos para ver que las dos divisiones tengan puntos de todas las clases.

¡Importante! Si una clase falta en entrenamiento, no lo reconocerá el MLP! Tiene que haber de todas las clases.

Entrenar nuevamente con MLP

Revisar los resultados

Esta vez hubo más errores… ¿Por qué? Es más sencillo hacer clasificación binaria que multiclase. Veamos los desfases…

Los desfases se vuelven notorios: Cuando restas, se ven en un arreglo de ceros donde hay problemas (valores que no son ceros).

• Si tienes 4 clases, lo recomendable: usa 4 neuronas a la salida.

• Las 4 neuronas servirán para mappear las posibles clases.

• Si no tienes suficientes neuronas a la salida, tu MLP fallará horriblemente.

Mismo experimento con una sola salida:

Pero con resultados no esperados...

En resumen, procura que tus datos de clasificación sean mappeables en una red neuronal.

Actividad:

• Categoriza 8 clases en lugar de 4.

• Categoriza con mas de 3 features (en make_blobs).

• Utiliza más datos (no solo 1000).

• Juega con la cantidad de capas y neuronas.

---> Sigue con el ejemplo 03 // Reto 03 <---

---> Sigue con el ejemplo 04 // Reto 04 <---