Construye tu primer modelo de aprendizaje profundo - Diagnóstico de cáncer de mama

Tabla de contenido

• Introducción
• Preparación de los datos
• Definición de la arquitectura del modelo
• Entrenamiento del modelo
• Evaluación del modelo
• Conclusiones

Introducción 👋

¡Hola a todos y bienvenidos a los tutoriales de Python! En este tutorial nos enfocaremos en el procesamiento de imágenes con un enfoque especial en el aprendizaje automático. Si has estado siguiendo los últimos tutoriales en esta lista de reproducción, seguramente has visto el último en el que revisamos el proceso de configuración de Google Colab para acelerar nuestro entrenamiento de aprendizaje profundo. Por lo tanto, recomendaría encarecidamente que veas ese video y prepares tu Google Colab para lo que vamos a hacer hoy y en el siguiente tutorial. Dos videos atrás hablamos sobre el aprendizaje profundo en general, así que si no tienes experiencia previa en este campo o si te gustaría refrescar tus conocimientos sobre lo que es el aprendizaje profundo, te recomendaría ver ese video. Hoy vamos a usar Google Colab para hacer algunos diagnósticos de cáncer de mama. Comenzaremos por comprender exactamente cuál es el problema que estamos tratando de resolver y qué datos están disponibles para resolver ese problema. Así que sigamos adelante y entendamos el problema.

Preparación de los datos 📊

En este proyecto, el problema consiste en diagnosticar si el paciente tiene cáncer de mama utilizando las características o atributos proporcionados. Los datos se pueden descargar desde el siguiente enlace: Wisconsin Breast Cancer Data Set. Los atributos y las etiquetas correspondientes se proporcionan como un archivo CSV. Por lo tanto, tenemos un montón de características. Si has seguido mi serie de tutoriales sobre cómo trabajar con segmentación de imágenes, por ejemplo, tomamos imágenes y extraemos características y las compilamos en columnas únicas, y luego aplicamos el bosque aleatorio. En este caso, las características ya se nos proporcionan, por lo que no tenemos que extraer las características. Con la mayoría de los datos estructurados, tienes algún tipo de características asociadas a tus datos. Echemos un vistazo a eso en un minuto. Entonces, incluso si no tiene sentido en este momento, espero que lo haga en un minuto.

Definición de la arquitectura del modelo 🏗️

Recuerda que mostré un modelo de red neuronal, Algo así como esto, con muchas capas ocultas en mi conferencia sobre qué es el aprendizaje profundo. Esto se considera aprendizaje profundo porque tenemos una unidad oculta. Por lo tanto, el modelo que vamos a ajustar tiene una entrada. ¿Cuántas características hay en la entrada? 30 características, ¿verdad? Por lo tanto, 30 características y luego tenemos una capa oculta. Veamos esto más detenidamente en la siguiente celda:

Import se import numpy as np, import pandas as pd, from keras.models import Sequential, from keras.layers import Dense, Activation, Dropout, from sklearn.metrics import confusion_matrix, from sklearn.model_selection import train_test_split, import seaborn as sns, import matplotlib.pyplot as plt

Entrenamiento del modelo 📘

Ahora que la arquitectura del modelo está definida, podemos continuar y ajustar el modelo a nuestros datos de entrada y salida. Entonces, ¿cómo hacemos esto? Bueno, primero necesitamos dividir nuestros datos en conjuntos de entrenamiento y prueba. Hemos hecho esto muchas veces en el pasado, por lo que es familiar para nosotros. Usando la biblioteca scikit-learn, podemos importar train_test_split y dividir nuestros datos en entrenamiento y prueba con un tamaño de prueba del 25%. Entonces, una vez que hayamos definido nuestros datos de entrenamiento y prueba, podemos ajustar el modelo a estos datos mediante la función model.fit. Esto entrenará el modelo utilizando nuestros datos de entrenamiento y nos dará información sobre el proceso de entrenamiento, como la pérdida y la precisión. Finalmente, podemos visualizar esta información utilizando gráficos.

Evaluación del modelo 📈

Una vez que hemos entrenado nuestro modelo, podemos evaluar su rendimiento utilizando los datos de prueba. Podemos hacer esto haciendo predicciones sobre los datos de prueba y luego utilizando una matriz de confusión para mostrar visualmente qué tan bien se desempeñó nuestro modelo. Una matriz de confusión muestra la cantidad de valores verdaderos positivos, verdaderos negativos, falsos positivos y falsos negativos, lo que nos permite evaluar la precisión de nuestro modelo.

Conclusiones 🎉

En este Tutorial, hemos construido y entrenado un modelo de aprendizaje profundo utilizando Python y la biblioteca Keras. Comenzamos por comprender el problema y los datos disponibles y luego pasamos a definir la arquitectura del modelo, entrenar el modelo y evaluar su rendimiento. Concluimos que nuestro modelo se desempeñó muy bien, logrando una precisión de cerca del 98%. Este es un logro impresionante y muestra el poder del aprendizaje profundo en el diagnóstico del cáncer de mama.

¡Gracias por seguir este tutorial y buena suerte con tus propios proyectos de aprendizaje profundo!