Deploying to gh-pages from @ 272935c 🚀

06-redes-neuronales-1.html

@@ -707,13 +707,13 @@ <h2 data-number="6.2" class="anchored" data-anchor-id="interacciones-en-redes-ne
 <div class="cell-output cell-output-stdout">
 <pre><code>[[1]]
           [,1]
-[1,] -5.422091
-[2,]  4.781280
-[3,]  5.289693
-[4,] -5.083941
+[1,] -5.422077
+[2,]  4.781271
+[3,]  5.289690
+[4,] -5.083926
 
 [[2]]
-[1] 2.370601</code></pre>
+[1] 2.370607</code></pre>
 </div>
 </div>
 <p><strong>Ejercicio</strong>: interpreta la red en términos de qué unidades están <em>encendidas</em> (valor cercano a 1) o <em>apagadas</em> (valor cercano a 0). ¿Puedes ajustar este modelo con dos tres unidades intermedias? Haz varias pruebas: ¿qué dificultades encuentras?</p>
@@ -1086,12 +1086,12 @@ <h3 class="unnumbered anchored" data-anchor-id="ejemplo-regresión">Ejemplo (reg
 <span id="cb54-2"><a href="#cb54-2" aria-hidden="true" tabindex="-1"></a>preds <span class="sc">|&gt;</span> <span class="fu">head</span>()</span></code><button title="Copiar al portapapeles" class="code-copy-button"><i class="bi"></i></button></pre></div>
 <div class="cell-output cell-output-stdout">
 <pre><code>          [,1]
-[1,]  9.117618
-[2,] 22.663441
-[3,]  8.569652
-[4,]  8.558598
-[5,]  8.842549
-[6,]  8.559493</code></pre>
+[1,]  9.117623
+[2,] 22.663464
+[3,]  8.569628
+[4,]  8.558584
+[5,]  8.842519
+[6,]  8.559466</code></pre>
 </div>
 </div>
 <p>Y obtenemos el siguiente resultado:</p>

08-clasificacion-1.html

@@ -2611,16 +2611,16 @@ <h2 data-number="8.8" class="anchored" data-anchor-id="ejercicio-datos-de-diabet
 <div class="cell-output cell-output-stdout">
 <pre><code>[[1]]
             [,1]
-[1,]  0.34734303
+[1,]  0.34734306
 [2,]  1.01705003
 [3,] -0.05472932
-[4,] -0.02247143
-[5,]  0.51263177
-[6,]  0.55927491
+[4,] -0.02247145
+[5,]  0.51263183
+[6,]  0.55927497
 [7,]  0.45200703
 
 [[2]]
-[1] -0.9558301</code></pre>
+[1] -0.9558302</code></pre>
 </div>
 </div>
 <p>que coinciden con los valores que obtuvimos usando regresión logística de <em>glm</em>. La única diferencia es que el algoritmo de optimización que se usa en cada caso es diferente: con <em>keras</em> utilizamos descenso en gradiente, mientras que <em>glm</em> usa Newton-Raphson.</p>

09-clasificacion-2.html

@@ -726,8 +726,8 @@ <h4 class="unnumbered anchored" data-anchor-id="ejemplo-2">Ejemplo</h4>
  3    0.00345     0.00448           1
  4    0.00406     0.00897           1
  5    0.00437     0.0135            1
- 6    0.00475     0.0224            1
- 7    0.00485     0.0269            1
+ 6    0.00476     0.0224            1
+ 7    0.00486     0.0269            1
  8    0.00504     0.0314            1
  9    0.00512     0.0359            1
 10    0.00562     0.0404            1
@@ -812,7 +812,7 @@ <h4 class="unnumbered anchored" data-anchor-id="ejemplo-2">Ejemplo</h4>
   modelo     .metric .estimator .estimate
   &lt;chr&gt;      &lt;chr&gt;   &lt;chr&gt;          &lt;dbl&gt;
 1 IMC y edad roc_auc binary         0.761
-2 Todas      roc_auc binary         0.866</code></pre>
+2 Todas      roc_auc binary         0.864</code></pre>
 </div>
 </div>
 <p>En este ejemplo, vemos que casi no importa qué perfil de especificidad y sensibilidad busquemos: el clasificador que usa todas las variables domina casi siempre al clasificador que sólo utiliza IMC y edad.</p>