Update deep learning model and funtions

deep-learning/.Rhistory

@@ -0,0 +1,385 @@
+# Este es un comentario; en R los comentarios empiezan
+# a partir del caracter '#'.
+# -------------------
+# En seguida asignaremos mediante código de R el valor 2014 a una
+# variable llamada 'x':
+x <- 2014
+# Ahora se imprimirá el valor de la variable dos veces, la primera
+# vez se hará de manera explícita por medio de la función print(),
+# como sigue:
+print(x)
+## [1] 2014
+# ... en seguida se imprimirá de manera implícita, simplemente
+# 'tecleándola' en la consola:
+x
+## [1] 2014
+# Finalmente haremos una multiplicación de x por 2
+2*x
+#AYUDA EN R
+help(lm)
+# Una forma abreviada sería
+?lm # -- comentario
+help("[[")
+help('if')
+help.search("split")
+# O abreviadamente:
+??"split"
+#AYUDA EN BLOGS
+help<-stackoverflow-rbloggers
+#========NUMEROS REALES=========#
+x <- 2 # Se asigna el valor 2 a x
+print(x) # Se imprime el valor de x
+class(x) # Muestra cuál es la clase de x
+x <- 6/2 # Se asigna el valor de la operación dividir 6/2 a x
+print(x)
+class(x)
+#========NUMEROS ENTEROS=========#
+x <- as.integer(6/2); print(x) #Convertir la división a entero mediante la funcion
+class(x)
+#======NUMEROS COMPLEJOS==========#
+x <- 21 + 2i
+y <- 2i + 21 # El mismo valor que x
+z <- -1 + 0i # Corresponde a -1
+tt <- sqrt(z) # raíz cuadrada de -1
+print(x); print(y); print(z); print(tt)
+class(tt)
+x <- 1/0 # División por cero
+x
+## [1] Inf
+# Tambien dividir un número por Inf da cero:
+y <- 1/Inf
+y
+## [1] 0
+#Finalmente, algunas operaciones pueden resultar en algo que no es un número,
+#esto se representa por el valor NaN. Veamos un ejemplo:
+x <- 0/0
+x
+#===============VECTORES========================#
+x <- 2 # Se asigna el valor 2 a x
+print(x) # Se imprime el valor de x
+c(4,2,-8) # Creación de un vector sin asignarlo a una variable
+## Distintas formas de asignar un vector a una variable
+u <- c(4,2,-8) # Usando el operador <-
+c(4, 2, -8) -> v # Usando el operador ->
+# Usando la función assign:
+assign("w", c(4, 2, -8))
+p = c(4, 2, -8) # Usando el operador =
+print(u); print(v); print(w); print(p)
+#Creación de vectores a partir de archivos de texto - la función scan()
+#12 15.5 3.1
+#-2.2 0 0.0007
+vec <- scan("UnVec.txt")
+print(vec)
+vec <- scan("IntVec.txt", integer())
+print(vec); class(vec) # El vector y su clase
+vv <- c(5, 6.6, -7.7)
+write(vv, "OtroArchivo.txt")
+# Ahora recuperemos el contenido del archivo
+v1 <- scan("OtroArchivo.txt")
+v1
+#========Creación de vectores a partir de secuencias y otros patrones========#
+v <- vector("integer", 0)
+v # Un vector de enteros sin elementos
+w <- vector("numeric", 3)
+w # Un vector de tres ceros
+u <- vector("logical", 5)
+u # Un vector de 5 FALSE
+#=========OPERADOR ":" =========#
+1:3
+v <- 40:13
+print(v); class(v) # El vector y su clase
+#=========FUNCION seq()========#
+#seq() que permite generar una mayor variedad de secuencias numéricas.
+v <- seq(from = 5, to = 15, by = 2)
+print(v) # secuencia desde 5 hasta 15 de 2 en 2
+v <- seq(from = 4, by = 2, length.out = 8)
+print(v) # secuencia de 8 números iniciando desde 4 y de 2 en 2
+v <- c(4, 8, -3) #Repetir la misma secuencia 5 veces.
+w <- rep(v, times = 5)
+print(w)
+#construir un vector a partir de dos o más vectores ya existentes
+u <- c(3, 4, 5)
+v <- c(5, 4, 3)
+w <- c(u, v)
+print(w) # La concatenación de u y v
+#Acceso a los elementos individuales de un vector
+v <- c(8, 7, -3, 2, 182)
+v[5] # El quinto elemento
+print(v[1]); print(v[3])
+v[4]+v[2] # La suma del cuarto y segundo elementos de v
+v[1] <- v[2] - v[5]
+v # Note que el resultado de la operación se ha guardado en v[1]
+v[8] <- 213
+v # v tiene ahora 8 elementos con espacios vacios: NA
+#=================================================================#
+frutas <- c(15, 100, 2, 30)
+frutas
+#Supóngase ahora que se quiere asociar esos valores con el nombre de la fruta correspondiente:
+names(frutas) <- c("naranja", "pera", "manzana", "durazno")
+frutas
+frutas <- c(naranja = 15, pera = 100, manzana = 2, durazno = 30)
+frutas["durazno"]
+frutas["manzana"] <- 8
+frutas
+frutas[2]
+#==============OPERACIONES SENCILLAS CON VECTORES=====================#
+v <- 2 + 3 ; v # Resulta en un vector de longitud 1
+v <- c(2, 3) - c(5, 1) ;v# Resulta en un vector de longitud 2
+v <- c(2, 3, 4) * c(2, 1, 3) ;v # Resulta en un vector de longitud 3
+v <- c(2, 3, 4)^(3:1) ;v # Eleva a potencias 3,2,1
+#========================FUNCION length()================================#
+#En muchas ocasiones es necesario saber la longitud de una vector. La función
+#length() aplicada a un vector regresa precisamente ese valor
+u <- 2:33 ; v <- c(4, 5, 6) ;w <- c(u, v);w
+length(w)
+w <= 10 # Prueba elementos menores o iguales a 10
+v <- c(4, 5, 6, 7, 8, 9, 10) * c(1, 2)
+## Warning: longitud de objeto mayor no es múltiplo de la longitud de uno menor
+v
+#to be obtained from site
+num_fish=12
+anchor_files=c('anchors4.csv','anchors5.csv','anchors6.csv','anchors7.csv',
+'anchors8.csv','anchors9.csv','anchors10.csv','anchors11.csv','anchors12.csv')
+filenames=c('HG_Ecology.csv','HG_Economics.csv','HG_Ethical.csv',
+'HG_Institutional.csv','HG_Social.csv','HG_Technology.csv')
+nfield=length(filenames)
+print("Starting...")
+discipline.names =strsplit(filenames, ".csv")
+sustainability=matrix(data=0,nrow=num_fish,ncol=nfield)
+n_radar=round(num_fish/10,0)
+p1_radar=seq(1,n_radar*10,by=10)
+p2_radar=p1_radar
+p2_radar[1:(n_radar-1)]=p1_radar[2:n_radar]-1
+p2_radar[n_radar]=num_fish
+for(i in 1:nfield) {
+fisheries.all = loaddata(filenames[i])
+n_att=ncol(fisheries.all)
+anchors=loaddata(anchor_files[n_att-3])
+n_an=nrow(anchors)
+colnames(anchors)<-colnames(fisheries.all)
+fisheries.dat=fisheries.all[1:num_fish,]
+fisheries.raw=rbind(anchors,fisheries.dat)
+fisheries.scaled = mdscale(fisheries.raw)
+f_images=paste(discipline.names,".jpg",sep="")
+jpeg(filename=f_images[i],width=20,height=16,units="cm",res=500)
+Res=ifelse(nfield>30,
+RAPplot1(fisheries.scaled,num_fish,n_an),
+RAPplot2(fisheries.scaled,num_fish,n_an))
+mtext(side=3, line=1, discipline.names[i],adj=0)
+dev.off()
+resfiles=paste("Results_",discipline.names,".csv",sep="")
+write.csv(fisheries.scaled[(n_an+1):nrow(fisheries.scaled),],resfiles[i])
+sustainability[,i]= fisheries.scaled[(n_an+1):nrow(fisheries.scaled),1]
+}
+rownames(sustainability)<-rownames(fisheries.dat)
+colnames(sustainability)<-discipline.names
+#Radar plots
+for(i in 1:n_radar) {
+f_images=paste("Radar_",seq(1,n_radar),".jpg",sep="")
+jpeg(filename=f_images[i],width=20,height=16,units="cm",res=500)
+radarplot(sustainability[p1_radar[i]:p2_radar[i],])
+dev.off()
+}
+print("Complete.")
+View(sustainability)
+View(discipline.names)
+#####33###
+library(FactoMineR)
+temperature <- read.table("http://factominer.free.fr/bookV2/temperature.csv",
+header=TRUE,sep=";",dec=".",row.names=1)
+source("D:/PROGRAMMING/PROGRAMMING WITH R/Temperature.R")
+dat<-data.frame(t=seq(0,2*pi,by=0.1))
+xcor<-function(t) 16*sin(t)^3
+ycor<-function(t) 13*cos(t)-5*cos(2*t)-2*cos(3*t)-cos(4*t)
+dat$y=ycor(dat$t)
+dat$x=xcor(dat$t)
+with(dat,plot(x,y,type="l"))
+source("~/.active-rstudio-document")
+source("D:/PROGRAMMING/PROGRAMMING WITH R/Temperature.R")
+dat<-data.frame(t=seq(0,2*pi,by=0.1))
+xcor<-function(t) 16*sin(t)^3
+ycor<-function(t) 13*cos(t)-5*cos(2*t)-2*cos(3*t)-cos(4*t)
+dat$y=ycor(dat$t)
+dat$x=xcor(dat$t)
+with(dat,plot(x,y,type="l"))
+with(dat,polygon(x,y,col="red",lwd=3,lty = 3))
+points(c(10,-10,-15,15),c(-10,-10,10,10),pch=169,font=5,cex=5,col="purple")
+text(0,0,"TE QUIERO",col='white',cex = 2.5)
+#####33###
+library(FactoMineR)
+temperature <- read.table("http://factominer.free.fr/bookV2/temperature.csv",
+header=TRUE,sep=";",dec=".",row.names=1)
+res.pca <- PCA(temperature[1:23,],scale.unit=TRUE,ncp=Inf,
+graph=FALSE,quanti.sup=13:16,quali.sup=17)
+##############################
+ctl <- c(4.17,5.58,5.18,6.11,4.50,4.61,5.17,4.53,5.33,5.14)
+trt <- c(4.81,4.17,4.41,3.59,5.87,3.83,6.03,4.89,4.32,4.69)
+group <- gl(2, 10, 20, labels = c("Ctl","Trt"))
+weight <- c(ctl, trt)
+lm.D9 <- lm(weight ~ group)
+lm.D90 <- lm(weight ~ group - 1) # omitting intercept
+anova(lm.D9)
+summary(lm.D90)
+opar <- par(mfrow = c(2,2), oma = c(0, 0, 1.1, 0))
+plot(lm.D9, las = 1)      # Residuals, Fitted, ...
+par(opar)
+######
+counts <- c(18,17,15,20,10,20,25,13,12)
+outcome <- gl(3,1,9)
+set.seed(123)
+set.seed(123)
+x <- rnorm(100, 10, 2)
+y <- 0.78*x + rnorm(100, 0, 1)
+# Crear un data frame con los datos
+datos <- data.frame(x, y)
+datos
+# Ajustar el modelo de regresión lineal simple
+modelo <- lm(y ~ x, data = datos)
+summary(modelo)
+library(tensorflow)
+library(keras)
+# Cargar el dataset MNIST
+mnist <- dataset_mnist()
+a <- to_categorical(c(0, 1, 2, 3), num_classes=4)
+View(mnist)
+??to_categorical
+a <- keras::to_categorical(c(0, 1, 2, 3), num_classes=4)
+a <- keras3::to_categorical(c(0, 1, 2, 3), num_classes=4)
+a
+library(keras3)
+library(tensorflow)
+library(keras)
+library(dplyr)
+library(keras3)
+# Cargar la funciones auxiliares
+source("tutorial_functions.R")
+setwd("C:\Users\EQUIPO\Documents\GitHub\ohw-tutorials\deep-learning")
+setwd("C:/Users/EQUIPO/Documents/GitHub/ohw-tutorials/deep-learning")
+library(tensorflow)
+library(keras)
+library(dplyr)
+library(keras3)
+# Cargar la funciones auxiliares
+source("tutorial_functions.R")
+# Leer archivo csv
+raw_data <- readr::read_csv("tutorial_data_test.csv")
+head(raw_data)
+View(raw_data)
+# Transformación logaritmica
+raw_data <- raw_data %>%
+log_inputs(vars = c("t1", "t2", "t3", "t4", "t5", "t6", "t7", "t8", "t9", "t10", "t11", "t12"))
+#Generate images from data
+image_list <- make_image_list(raw_data,
+tox_levels =     c(0,10,30,80),
+forecast_steps = 1,
+n_steps =        2,
+minimum_gap =    4,
+maximum_gap =    10,
+toxins =         c("t1", "t2", "t3", "t4", "t5", "t6", "t7", "t8", "t9", "t10", "t11", "t12"),
+environmentals = c("sst_cum"))
+#Splits image_list by year for grouping into train/test data
+years <- sapply(image_list, function(x) {return(x$year)})
+#image_list <- split(image_list,as.factor(years))
+image_list <- split(image_list, years)
+#configuration
+YEARS_TRAINING <-   c("2014", "2016", "2017")
+YEARS_TESTING <-    "2015"
+a <- keras3::to_categorical(c(0, 1, 2, 3), num_classes=4)
+print(a)
+# Cargar la funciones auxiliares
+source("tutorial_functions.R")
+#Make a training set
+train <- pool_images_and_labels(image_list[YEARS_TRAINING], num_classes = 4)
+#Make a test set
+test <- pool_images_and_labels(image_list[YEARS_TESTING], num_classes = 4)
+#Make a test set
+test <- pool_images_and_labels(image_list[YEARS_TESTING], num_classes = 4)
+model <- keras::keras_model_sequential() %>%
+keras::layer_dense(units=64,
+activation = "relu",
+input_shape = dim(train$image)[2],
+name = "input_layer") %>%
+keras::layer_dropout(rate = 0.4,
+name = "dropout_1") %>%
+keras::layer_dense(units=32,
+activation = "relu",
+name = "hidden_1") %>%
+keras::layer_dropout(rate=0.3,
+name = "dropout_2") %>%
+keras::layer_dense(units=16,
+activation = "relu",
+name = "hidden_2") %>%
+keras::layer_dropout(rate=0.2,
+name = "dropout_3") %>%
+keras::layer_dense(units = 4,
+activation = "softmax",
+name = "output")
+reticulate::py_last_error()
+reticulate::py_last_error()$r_trace$full_call
+#-----
+model <- keras3::keras_model_sequential() %>%
+keras3::layer_dense(units=64,
+activation = "relu",
+input_shape = dim(train$image)[2],
+name = "input_layer") %>%
+keras3::layer_dropout(rate = 0.4,
+name = "dropout_1") %>%
+keras3::layer_dense(units=32,
+activation = "relu",
+name = "hidden_1") %>%
+keras3::layer_dropout(rate=0.3,
+name = "dropout_2") %>%
+keras3::layer_dense(units=16,
+activation = "relu",
+name = "hidden_2") %>%
+keras3::layer_dropout(rate=0.2,
+name = "dropout_3") %>%
+keras3::layer_dense(units = 4,
+activation = "softmax",
+name = "output")
+summary(model)
+str(train)
+head(train$labels)
+model %>% keras::compile(optimizer =  "adam",
+loss =       "categorical_crossentropy",
+metrics =    "categorical_accuracy")
+history <- model %>%
+keras::fit(x = train$image,
+y = train$labels,
+batch_size = 128,
+epochs = 32,
+verbose=1,
+validation_split = 0.2,
+shuffle = TRUE)
+history <- model %>%
+keras3::fit(x = train$image,
+y = train$labels,
+batch_size = 128,
+epochs = 32,
+verbose=1,
+validation_split = 0.2,
+shuffle = TRUE)
+plot(history)
+plot(history)
+history <- model %>%
+keras3::fit(x = train$image,
+y = train$labels,
+batch_size = 128,
+epochs = 32,
+verbose=1,
+validation_split = 0.2,
+shuffle = TRUE)
+reticulate::py_last_error()
+plot(history)
+model %>% keras3::compile(optimizer =  "adam",
+loss =       "categorical_crossentropy",
+metrics =    "categorical_accuracy")
+history <- model %>%
+keras3::fit(x = train$image,
+y = train$labels,
+batch_size = 128,
+epochs = 32,
+verbose=1,
+validation_split = 0.2,
+shuffle = TRUE)
+plot(history)