Page 35 - Revista 2021 - 2022

Revista de la Facultad de Ingeniería, Año 7, Número 1
Por último, se entrena el modelo utilizando la función “fit” pasandole como parámetro
el conjunto de entrenamiento y sus respectivas etiquetas, y como conjunto de
validación los datos separados para este fin (x_test e y_test). El parámetro “epochs”
indica la cantidad de iteraciones que el modelo debe iterar para realizar el
entrenamiento; por cada ciclo realizado se ajustan los valores de perdida y accuracy.
Al finalizar las iteraciones se obtiene el valor de perdida y accuracy del modelo
entrenado, en nuestro caso 0.2336 y 0.72 (72%) respectivamente (ver Figura 12).

Figura 12: Entrenamiento del modelo
Nota: Fuente: Elaboración Propia

Es momento de probar nuestro modelo. Para ello se ha seleccionado una imagen que
al hacer la predicción devuelve una clasificación correcta y una donde la predicción es
incorrecta.Figura 13 se presenta el caso (y el código) utilizado para hacer la
predicción de una imagen de un barco y el resultado de la predicción. Como se puede
apreciar la etiqueta de la foto dice “barco” y la predicción concuerda. Es importante
destacar que el modelo trabaja con imágenes muy pequeñas (32x32) por lo que la
imagen en si misma puede llegar a ser difícil de clasificar incluso para una persona.

Figura 13: Prueba del modelo para una imagen cuyo resultado es correcto
Nota: Fuente: Elaboración Propia
En la Figura que se presenta a continuación (ver Figura 14), se ve el resultado de
realizar la predicción en una imagen cuya etiqueta real es “caballo” y el resultado de
la predicción realizada por el modelo es “perro” lo que es un resultado incorrecto. En
este caso particular, al visualizar la imagen podemos notar que es muy difícil
distinguir si el animal en la imagen es un caballo o un perro, incluso para un humano.

Figura 14: Prueba del modelo para una imagen cuyo resultado es incorrecto
Nota: Fuente: Elaboración Propia

34