Resumen de Corrección de la Muestra para el Aprendizaje del Perceptron Multicapa
Roberto Alejo Eleuterio, E. Gasca, Ricardo Barandela
Es muy popular, en la actualidad, el empleo de las redes neuronales artificiales, en particular el Perceptron Multicapa (PM), para tareas de reconocimiento de patrones, miner¡a de datos y aprendizaje autom tico. No obstante, se conoce poco de estos modelos, lo que se traduce en debilidades tales como lentitud en el proceso de aprendizaje y pobre capacidad de generalización.
En el presente trabajo se muestra (con datos artificiales y reales) la conveniencia de procesar la muestra de entrenamiento con técnicas tomadas del contexto de la regla NN (Nearest Neighbor rule), para acelerar el entrenamiento e incrementar la precisión del PM. Se ejemplifica, además, como el rendimiento del PM se afecta de manera notable en situaciones imperfectamente supervisadas (o sea, cuando se tienen errores de identificación en algunos patrones de entrenamiento) que suelen ocurrir en la práctica, y como esta deficiencia se puede eliminar si se emplea la metodología de Depuración, que ya ha evidenciado sus beneficios cuando se clasifica con la regla NN.
