Escribir una red neuronal de clasificación binaria desde cero
Integra el uso de multiplicación de matrices, activación ReLU/Sigmoid, pérdida de entropía cruzada y retropropagación: conecta todos los puntos de conocimiento de una sola vez.
Al completar este caso, entenderás:El bucle matemático completo del entrenamiento de redes neuronales: la matriz transforma los datos, la activación introduce no linealidad, la entropía cruzada mide el rendimiento y la retropropagación transmite los gradientes.
Introducción desde la vida cotidiana
Distinguir dos tipos de fruta: con solo mirar el tamaño no basta
Manzanas y naranjas mezcladas. Solo mirar el tamaño no basta: algunas manzanas pequeñas son casi tan grandes como naranjas grandes. Necesitas dos dimensiones (tamaño + color) y necesitas un límite "no recto": aquí es donde las redes neuronales resultan útiles. Un modelo lineal de una sola capa solo puede dibujar líneas rectas; al agregar una capa oculta y funciones de activación no lineales, se pueden dibujar límites curvos.
Comprensión intuitiva
Módulos matemáticos correspondientes a cada componente:
Definición matemática
\[ z_1 = X W_1 + b_1,\ a_1 = \text{ReLU}(z_1),\quad z_2 = a_1 W_2 + b_2,\ a_2 = \sigma(z_2) \]El gradiente de Sigmoid + entropía cruzada se simplifica automáticamente a su forma más concisa: \(\frac{\partial L}{\partial z_2} = a_2 - y\)
Práctica con Python
Ejemplo
np.random.seed(42)
def sigmoid(z):
return 1 / (1 + np.exp(-np.clip(z, -500, 500)))
def relu(z): return np.maximum(0, z)
def relu_derivative(z): return (z > 0).astype(float)
class TwoLayerNN:
def __init__(self, n_input, n_hidden, lr=0.1):
self.W1 = np.random.randn(n_input, n_hidden) * 0.5
self.b1 = np.zeros(n_hidden)
self.W2 = np.random.randn(n_hidden, 1) * 0.5
self.b2 = np.zeros(1)
self.lr = lr
self.loss_history = []
def forward(self, X):
self.z1 = X @ self.W1 + self.b1
self.a1 = relu(self.z1)
self.z2 = self.a1 @ self.W2 + self.b2
self.a2 = sigmoid(self.z2)
return self.a2
def compute_loss(self, y_pred, y_true, eps=1e-9):
y_pred = np.clip(y_pred, eps, 1 - eps)
return -np.mean(y_true * np.log(y_pred) +
(1 - y_true) * np.log(1 - y_pred))
def backward(self, X, y_true):
n = X.shape[0]
y_true = y_true.reshape(-1, 1)
dz2 = (self.a2 - y_true) / n # Simplificación Sigmoid+CE
dW2 = self.a1.T @ dz2
db2 = np.sum(dz2, axis=0)
da1 = dz2 @ self.W2.T # Retropropagación con regla de la cadena
dz1 = da1 * relu_derivative(self.z1)
dW1 = X.T @ dz1
db1 = np.sum(dz1, axis=0)
self.W2 -= self.lr * dW2
self.b2 -= self.lr * db2
self.W1 -= self.lr * dW1
self.b1 -= self.lr * db1
def fit(self, X, y, epochs=1000):
for epoch in range(epochs):
y_pred = self.forward(X)
loss = self.compute_loss(y_pred, y)
self.loss_history.append(loss)
self.backward(X, y)
if epoch % 200 == 0:
acc = np.mean((y_pred.flatten() > 0.5) == y)
print(f"EJEMPLO epoch {epoch:4d} loss={loss:.4f} acc={acc:.3f}")
def predict(self, X):
return (self.forward(X).flatten() > 0.5).astype(int)
# Datos de círculos concéntricos (no linealmente separables)
n = 300
theta = np.random.uniform(0, 2 * np.pi, n)
r_inner = np.random.normal(1.0, 0.15, n // 2)
r_outer = np.random.normal(2.5, 0.15, n // 2)
X = np.vstack([
np.c_[r_inner * np.cos(theta[:n//2]), r_inner * np.sin(theta[:n//2])],
np.c_[r_outer * np.cos(theta[n//2:]), r_outer * np.sin(theta[n//2:])],
])
y = np.array([0] * (n // 2) + [1] * (n // 2))
model = TwoLayerNN(n_input=2, n_hidden=8, lr=0.5)
model.fit(X, y, epochs=1000)
print(f"\nPrecisión final de EJEMPLO: {np.mean(model.predict(X) == y):.2%}")
print(f"Pérdida: {model.loss_history)
EJEMPLO epoch 0 loss=0.6932 acc=0.497 EJEMPLO epoch 200 loss=0.1494 acc=0.930 EJEMPLO epoch 400 loss=0.0615 acc=0.967 EJEMPLO epoch 600 loss=0.0272 acc=0.990 EJEMPLO epoch 800 loss=0.0134 acc=1.000 EJEMPLO epoch 1000 loss=0.0075 acc=1.000 EJEMPLO 最终准确率: 100.00% 损失: 0.6932 -> 0.0075
Escenarios de aplicación en IA
| Escenario | Relación con este caso |
|---|---|
| Clasificación de imágenes | CNN = reemplazar la multiplicación de matrices de este caso por operaciones de convolución |
| Clasificación de texto | Fine-tuning de BERT = este caso + codificador Transformer |
| Detección de anomalías | Salida de probabilidad de anomalía de 0 a 1: es un caso especial de clasificación binaria de este caso |