angiearlanti / sia-tp2 Goto Github PK

En main.m:

• Plotear el obtainedOutput que devuelve la función evaluateNetwork(...) cuando termina de aprender.
• En el mismo plot dibujar los expectedOutput para los expected inputs.

function plot_original_and_solved( original_patterns, ...
original_outpoouts, solved_patterns, solved_outputs )

figure;
plot3(original_patterns(1,:), original_patterns(2,:), ...
    original_outpoouts, 'ro');
hold on;
plot3(solved_patterns(1,:), solved_patterns(2,:), solved_outputs, ...
    'b*');

end

Necesitamos shufflear los index de los patterns antes de pasarlos por el train porque corremos el riesgo de memorizar un mismo órden de patrón y olvidar lo que aprendió en el anterior.

Las derivadas de las funciones de activación contienen a V.. (es decir g(h)) entonces podemos guardar en las capas directo V y no h.

En la función main.m traer todos los datos necesarios de archivo:

• Traer inputs de terrain.csv
• Separar inputs de testeo y de aprendizaje (hay un criterio para hacerlo preguntar).
• Traer arquitectura de archivo.
• Traer etha de archivo.
• Traer función de activación de archivo.
• Traer acceptedError de archivo.

En el main está hecho el plot pero no lo hace bien.

• Necesitamos exponencial y tanh.
• Preguntar a Alan si dadas nuestras salidas esperadas es necesario meter una lineal y porque (hay algo matemático con las que están entre 0 y 1).
• Agregar el Beta y que sea customizable desde el main.

• Si se mantiene mas de cierta cantidad de épocas que el error de testeo es más grande que el de aprendizaje tenemos sobreentrenamiento y hay que cortar.
• Recordar shufflear los inputs en el evaluateNetwork().