En este planteamiento tan solo vamos a tomar las 19 características de cada muestra que reflejan los datos pertenecientes a las taquicardias (TV ó TSV) con el fin de poder diferenciar los ejemplos de TV de los ejemplos de TSV. La idea de este planteamiento es que tomando datos con Taquicardias (eliminando sus características de Ritmo Sinusal RS), podamos diferenciar entre las Taquicardias Ventriculares (TV) y las Taquicardias Supraventriculares (TSV).
Organizaremos los datos de entrenamiento proporcionados en el fichero "cwaNN.mat" de la siguiente manera, distinguiendo los datos pertenecientes a TV de los datos pertenecientes a TSV. Para ello, etiquetaremos los datos pertenecientes a TV con un '0', y los datos pertenecientes a TSV con un '1':
Nuestras variables independientes o predictoras 'X' serán las características tomadas de cada una de las muestras (datos proporcionados en el fichero de casos de entrenamiento), mientras que nuestra variable categórica 'Y' recogerá las etiquetas que hemos establecido para los datos.
Del mismo modo que en el planteamiento anterior, con el objetivo de minimizar la función de coste más rápido, normalizamos los datos. Seguidamente añadimos la columna de los valores pertenecientes a "X0 = 1", configuramos los parámetros de nuestra Red Neuronal (entradas, numero de neuronas, salidas, etc.) e inicializamos los pesos asociados a las entradas y a las capas ocultas de nuestra red de forma aleatoria en un rango establecido. Tras estos pasos podemos minimizar nuestra función de coste y para ello construimos la función que va a ser minimizada con nuestra función "FuncionCosteNN" y la minimizamos con la función "fmincg" de Optimización Avanzada de la cual obtendremos nuestros "pesos" de forma optimizada.
Una vez tenemos el valor de nuestros "pesos" optimizados, podemos cargar los casos de test (sin eliminar los datos de RS), pasárselos a nuestra Red Neuronal y evaluar los resultados obtenidos de dicha red mediante la realización de un nuevo paso de "Propagación hacia Adelante" (Forward Propagation) que son los siguientes:
Comparando los resultados obtenidos en este planteamiento con Redes Neuronales (Neural Networks) y comparándolos con los resultados obtenidos en el mismo planteamiento pero con el Análisis de Regresión Lineal, si notamos mejoría en las predicciones y por tanto mejorando los valores de "Precisión" y "Recall".
