Practica aquí antes de tocar la placa. Vas a medir tres sitios con una placa virtual, entrenar un modelo de números, ponerlo a prueba, descubrir qué sensor aporta más y montar el programa final. Cada paso se desbloquea al completar el anterior.
Prototipo educativo. El modelo de este simulador es una versión sencilla (vecinos más cercanos) y los datos son inventados: sus porcentajes no coincidirán con los de LearningML. Con la placa real, mide tus propios datos.
1Mide con la placa virtual
Elige un sitio y pulsa SR: la placa hace 10 lecturas de luz, temperatura y sonido y te da la media. Haz al menos 2 medidas en cada sitio.
| # | Sitio | luz,temperatura,sonido |
|---|
2Entrena el modelo (LearningML, números, 3 columnas)
Ya hay 8 ejemplos por clase (los de la tabla del chisme). Puedes añadir tus medidas a la clase correcta. Cada ejemplo se escribe luz,temperatura,sonido, sin espacios y con punto para los decimales (la coma separa columnas). Después pulsa Aprender.
3Pon a prueba el modelo con datos nuevos
Escribe una terna que no esté en el entrenamiento o usa las de ejemplo. Haz al menos 3 pruebas distintas.
4Experimento: ¿qué sensor aporta más?
Aquí hay 12 datos de prueba que el modelo no ha visto (4 por sitio, algunos difíciles: un patio nublado, un aula junto a la ventana, un pasillo con la luz encendida…). Elige qué columnas usa el modelo y evalúa. Prueba al menos 4 combinaciones, incluida «solo temperatura».
| Columnas usadas | Aciertos | Fallos |
|---|
5Monta el programa final
Pruébalo:
Lee y predice
Entrenas con medidas del patio al mediodía y pruebas a las 8 de la mañana con niebla. ¿Qué pasará?
Es muy probable que falle: el modelo solo conoce lo que vio. Si entrenas con datos de un solo momento, no sabe lo que pasa en otro. Por eso hay que recoger datos de varias horas y días.El modelo acierta el 100 % con tus propios datos de entrenamiento. ¿Es buena señal?
No necesariamente. Puede haberlos memorizado. La prueba de verdad es con datos que nunca ha visto.Tres columnas con valores muy distintos (luz de 0 a 1023, temperatura de 20 a 26). ¿Algún problema?
Algunos algoritmos dan más peso a la columna con números grandes. Se arregla escalando los datos. Es un buen tema para investigar con LearningML.Placa y programa EchidnaML: Echidna Educación (echidna.es). Manual EchidnaBlack2 y EchidnaML, CC BY-SA 4.0.