LIBRERIAS Y DATOS

# -----------------------------------------------------
library(MASS); library(neuralnet); library(ggplot2)
set.seed(65)
datos <- Boston
n_datos <- nrow(datos)
muestra <- sample(n_datos, n_datos * .70)
train <- datos[muestra, ]
test <- datos[-muestra, ]
 
 
# NORMALIZACION DE VARIABLES
# -----------------------------------------------------
maxs <- apply(train, 2, max)
mins <- apply(train, 2, min)
datos_nrm <- as.data.frame(scale(datos, center = mins, scale = maxs - mins))
train_nrm <- datos_nrm[muestra, ]
test_nrm <- datos_nrm[-muestra, ]
 
 
# FORMULA
# -----------------------------------------------------
nombres <- names(train_nrm)
frml <- as.formula(paste("medv ~", paste(nombres[!nombres %in% "medv"],
collapse = " + ")))
 
 
# MODELO
# -----------------------------------------------------
modelo.nn <- neuralnet(frml,
data = train_nrm,
hidden = c(7,5), # ver Notas para detalle
threshold = 0.05, # ver Notas para detalle
algorithm = "rprop+"
)
 
 
# PREDICCION
# -----------------------------------------------------
pr.nn <- compute(modelo.nn,within(test_nrm,rm(medv)))
 
# se transoforma el valor escalar al valor nominal original
medv.predict <- pr.nn$net.result*(max(datos$medv)-min(datos$medv))
+min(datos$medv)
medv.real <- (test_nrm$medv)*(max(datos$medv)-min(datos$medv))
+min(datos$medv)
 
 
 
# SUMA DE ERROR CUADRATICO
# -----------------------------------------------------
(se.nn <- sum((medv.real - medv.predict)^2)/nrow(test_nrm))
 
 
#GRAFICOS
# -----------------------------------------------------
# Errores
qplot(x=medv.real, y=medv.predict, geom=c("point","smooth"), method="lm",
main=paste("Real Vs Prediccion. Summa de Error Cuadratico=",
round(se.nn,2)))
# Red
plot(modelo.nn)