08.-TensorFlow js en Español?? [Predecir ventas con regresión lineal]
Introducción
Bienvenidos a programas novatos muchas gracias por continuar viendo este curso de Tensor Flow en JavaScript y en este tutorial vamos a hacer una predicción y no, no vamos a hacer predicciones con los astros ni el tarot, ni cartas ni leyendo el café no no. Lo que vamos a hacer es predecir las ventas que ha tenido (o que va a tener) una tienda en relación a las ventas que ha tenido anteriormente y ahora vamos a ver esto de forma práctica y pues comencemos con este código:
Codigo
<!DOCTYPE html> <html lang="es"> <head> <title>Prueba tensorflow</title> <meta charset="UTF-8"> <meta name="title" content="Prueba tensorflow"> <!-- Cargamos TensorFlow.js --> <script src="https://cdn.jsdelivr.net/npm/@tensorflow/tfjs/dist/tf.min.js"></script> <script src="https://cdnjs.cloudflare.com/ajax/libs/Chart.js/2.7.3/Chart.bundle.min.js"></script> </head> <body> <table border="0"> <tbody> <tr> <td>Repeticiones</td> <td><input type="number" id="repeticiones" value="100"/></td> </tr> <tr> <td>Valor de x</td> <td><input type="number" id="nuevoValX" value="10"/></td> </tr> <tr> <td></td> <td> <input type="button" value="Calcular" name="calcular" id="calcular" onclick="learnLinear()" /> </td> </tr> <tr> <td>Valor de Y</td> <td> <span id="valy"></span> </td> </tr> <tr> <td>Epoca</td> <td> <span id="epocas"></span> </td> </tr> </tbody> </table> <canvas id="myChart" width="400" height="400"></canvas> <script> // Definimos los parametros en x y en y var valX = [1 , 2 , 3 , 4 , 5 , 6]; var valY = [100, 110, 90, 80, 150, 130]; var datosGrafica=deArrayAMatriz(valX, valY); // Inicializamos la Grafica var grafica = new Chart(document.getElementById("myChart"), { type: 'scatter', data: { datasets: [{ label: "Ventas", data: datosGrafica, borderColor: "red", }] }, options: { responsive: false } }); //Creamos una funcion asincrona (para que se active hasta que termine de cargar la pagina) async function learnLinear() { //Definimos el modelo que sera de regresion lineal const model = tf.sequential(); //Agregamos una capa densa porque todos los nodos estan conectado entre si model.add(tf.layers.dense({units: 1, inputShape: [1]})); // Compilamos el modelo con un sistema de perdida de cuadratico y optimizamos con sdg model.compile({loss: 'meanSquaredError', optimizer: 'sgd'}); // Creamos los tensores para x y para y const xs = tf.tensor2d(valX, [6, 1]); const ys = tf.tensor2d(valY, [6, 1]); // Obtenemos la epocas (Las veces que se repetira para encontrar el valor de x) var epocas = +document.getElementById("repeticiones").value; // Obtenemos el valor de x var nuevoValX = +document.getElementById("nuevoValX").value; // Ciclo que va ir ajustando el calculo for (i = 0; i < epocas; i++) { // Entrenamos el modelo una sola vez (pero como esta dentro de un ciclo se va ir entrenando por cada bucle) await model.fit(xs, ys, {epochs: 1}); // Obtenemos el valor de Y cuando el valor de x sea var prediccionY = model.predict(tf.tensor2d([nuevoValX], [1, 1])).dataSync()[0]; // Escribimos el valor de y document.getElementById("valy").innerText = prediccionY; // Escribimos en que epoca vamos document.getElementById("epocas").innerText = i+1; // Redibujamos la grafica con el nuevo valor de X y Y datosGrafica.push({x:nuevoValX,y:prediccionY}); grafica.data.datasets[0].data = datosGrafica; grafica.update(); } } function deArrayAMatriz(arx, ary) { var data = []; for (i = 0; i < arx.length; i++) { data.push({x: arx[i], y: ary[i]}); } return data; } </script> </body> </html>
Codigo en codepen: https://codepen.io/eucm2/pen/LoWBQB
