PROYECTO 2 – REDES NEURONALES

Autores:

• Santiago Camilo Rey Benavides
• Tomás Figueroa Sierra
• Santiago Vides Salcedo
• Jesús Daniel Molina Emiliani

Docente: Julio Omar Palacio Niño
Pontificia Universidad Javeriana – Facultad de Ingeniería – Ingeniería de Sistemas
Bogotá D.C., 2023

---

📌 Descripción General

Este proyecto analiza la clasificación de la calidad del vino empleando redes neuronales feed-forward, utilizando el dataset Wine Quality del repositorio UCI.
Se comparan tres arquitecturas:

1. Perceptrón
2. Red Neuronal con 1 capa oculta
3. Red Neuronal con 2 capas ocultas

El objetivo es evaluar cómo la complejidad de la red afecta las métricas de clasificación (accuracy, precisión, recall, F1-score) y determinar la arquitectura más eficiente.

---

🎯 Objetivos

Objetivo General

Diseñar y evaluar modelos de redes neuronales para la clasificación de la calidad del vino con el dataset UCI Wine Quality.

Objetivos Específicos

1. Analizar y comprender las características químicas del dataset.
2. Preprocesar los datos (limpieza, normalización, codificación y manejo de atípicos).
3. Construir modelos de Perceptrón y redes neuronales con una y dos capas ocultas.
4. Evaluar y comparar métricas de rendimiento: accuracy, precisión, recall y F1-score.
5. Analizar el efecto de distintas proporciones de entrenamiento y prueba sobre el desempeño.

---

🧪 Dataset

• Fuente: UCI Machine Learning Repository – Wine Quality
• Tipo: Vinos blancos (principal) y combinación blanco/rojo para prueba adicional (“bono”).
• Características: 11 variables químicas (acidez, azúcar residual, alcohol, pH, etc.) + variable objetivo Quality (0–10).

---

🔄 Preprocesamiento

• Eliminación de registros repetidos.
• Unión de datasets (blanco + rojo) para experimento adicional.
• Detección y eliminación de outliers con rangos intercuartílicos.
• Normalización de características numéricas.
• Selección de variables relevantes según regresión lineal.

---

🏗️ Modelado

Se implementaron tres arquitecturas en TensorFlow/Keras:

Modelo	Capas ocultas	Activación	Épocas
Perceptrón	0	lineal	100
Red Neuronal 1 capa	1 (sigmoid)	softmax	200
Red Neuronal 2 capas	2 (sigmoid)	softmax	200

• División de datos: 70% entrenamiento / 30% prueba.

---

📊 Resultados Principales

Modelo	Accuracy	Precisión	Recall	F1-Score
Perceptrón	0.52	0.48	0.52	0.48
Red Neuronal 1 capa	0.54	0.51	0.55	0.52
Red Neuronal 2 capas	0.52	0.49	0.52	0.45
2 capas (vino blanco + rojo)	0.59	0.56	0.59	0.57

✅ Conclusión:
La red con una sola capa oculta mostró un equilibrio ligeramente mejor entre precisión y recall.
Al combinar vinos blancos y rojos se logró la mejor accuracy (0.59) gracias a un mayor volumen de datos.

---

🧠 Conclusiones

1. Exploración exhaustiva del dataset permitió seleccionar atributos clave para la clasificación.
2. El preprocesamiento de datos (limpieza y normalización) fue crítico para obtener resultados estables.
3. No se observaron diferencias drásticas entre arquitecturas; aumentar la complejidad no garantizó mejoras.
4. La red de una capa oculta es suficiente para este problema con los datos actuales.
5. Mayor cantidad y diversidad de datos podría mejorar significativamente el rendimiento.

---

📎 Enlace al Notebook

Google Colab – Código del Proyecto

---

🛠️ Tecnologías

• Lenguaje: Python
• Librerías principales: TensorFlow, Keras, Scikit-learn, Pandas, NumPy, Matplotlib, Seaborn

---

Palabras clave: Redes Neuronales, Clasificación, Wine Quality, TensorFlow, Machine Learning