Professional Documents
Culture Documents
1. Primer Punto
1.1. Primer Conjunto de Datos
En la figura 1 se muestran los resultados de las primeras seis iteraciones y el resultado final del
entrenamiento de un perceptrón simple en una tarea de clasificación linealmente separable, siendo
los vectores de datos de entrada expandida y salida:
1, 0, 0 1
1, 1, 0 −1
X= , Y =
1, 0, 1 1
1, 1, 1 1
A continuación se realiza el proceso manual paso a paso de las primeras seis iteraciones:
Por lo que se hace ajuste a los pesos. Se calcula el gradiente de la función de costo L para
este punto como:
∇w L = −[(x11 y11 ), (x12 y11 ), (x13 y11 )] = −[1, 0, 0]
Y se hace la actualización del vector de pesos:
2. Se procede al segundo punto de los datos, que al evaluar la función del discriminador se
obtiene :
1
3. Se procede al tercer punto de los datos, que al evaluar la función del discriminador se
obtiene :
4. Se procede al cuarto punto de los datos, que al evaluar la función del discriminador se
obtiene:
Por lo que se hace ajuste a los pesos. Se calcula el gradiente de la función de costo L para
este punto como:
5. Se toma de nuevo el primer punto de los datos, que al evaluar la función del discriminador
se obtiene :
6. Se procede al segundo punto de los datos, que al evaluar la función del discriminador se
obtiene :
Por lo que se hace ajuste a los pesos. Se calcula el gradiente de la función de costo L para
este punto como:
Como se observa, la convergencia se obtiene para la iteración tres, cuarto punto de los datos. Resul-
tando finalmente en la función del discriminador:
2
Figura 1: Resultado final del entrenamiento para el punto 1.1.
En la figura 2 se muestran los resultados de las primeras seis iteraciones y el resultado final del
entrenamiento de un perceptrón simple en una tarea de clasificación linealmente separable, siendo
los vectores de datos de entrada expandida y salida:
1, −1, −1 1
1, −1, 1 −1
X= , Y =
1, 1, −1 −1
1, 1, 1 −1
A continuación se realiza el proceso manual paso a paso de las primeras seis iteraciones:
3
1. Tras la inicialización de los pesos el discriminador queda descrito por la desigualdad:
La convergencia se obtiene para la iteración tres, cuarto punto de los datos. Resultando finalmente
en la función del discriminador: -0.5501 -1.1596 -1.0291
−0,5501 − 1,1596x1 − 1,0291x2 ≥ 0
4
Figura 2: Resultado final del entrenamiento para el punto 1.2.
2. Segundo Punto
0,7 − x1 ≥ 0
0,7 − x2 ≥ 0
De modo que están evaluando las condiciones x1 >= 0,7 y x2 >= 0,7. Cada una de las neuronas
de la primera capa se encarga de implementar una de las dos rectas necesarias para separar las dos
regiones del espacio de entrada como se muestra en la figura 4. Calculando la OR de la salida de las
dos neuronas de la primera capa se obtiene el discrimandor requerido.
5
Figura 3: Resultado de utilizar el algoritmo de entrenamiento del perceptrón de Rosenblatt para el
punto 2.
Figura 4: Solución con dos neuronas y una compuerta OR propuesta y los discriminadores que
implementa.
3. Tercer Punto
6
x1 x2 x3 y
0 0 0 -1
0 0 1 -1
0 1 0 1
0 1 1 -1
1 0 0 1
1 0 1 -1
1 1 0 1
1 1 1 1
La figura 5 muestra el espacio de entrada y las primeras cinco iteraciones empleando el algoritmo
de entrenamiento de Rosenblatt y el resultado final del entrenamiento. El espacio de entrada es
linealmente separable, por lo que un sólo perceptrón puede implementar un plano que discrimine las
dos regiones del espacio, como se aprecia en la parte inferior derecha de la figura 5. La ecuación del
discriminante entrenado es:
−0,6395 + 1,039x1 + 0,9264x2 − 0,5501x3 ≥ 0