Efectos de los datos atípicos discordantes y contaminantes en la implementación de las redes neuronales supervisadas Back Propagation

Abstract

La presente investigación plantea como objetivo estudiar aspectos técnicos relacionados con la implementación de la red neuronal Back Propagation en términos de su calidad de aprendizaje y generalización con el fin de establecer criterios óptimos para su validación, evaluación del desempeño e implementación. Para ello, se plantea la hipótesis de que la presencia de datos atípicos, ya sean del tipo discordante o contaminante tienen un efecto en el desempeño de la red neuronal supervisada y entrenada con el método de Back Propagation. Para verificar este supuesto se ha llevado a cabo un diseño experimental donde se tienen en cuenta diferentes tamaños de muestra, y la incorporación de dos tipos de datos atípicos: los discordantes y contaminantes. Se llega a la conclusión que, bajo las características descritas, el algoritmo Back Propagation da resultados óptimos cuando no se cuenta con datos atípicos y en especial en muestras grandes. A la vez, se aprecia que el efecto de los datos discordantes es mucho mayor que el provocado por los datos contaminantes. Palabras claves.- Back Propagation, Análisis de regresión lineal, calidad de aprendizaje, generalización de datos.