Por favor, use este identificador para citar o enlazar este ítem: http://cybertesis.uni.edu.pe/handle/uni/250
Título : Efectos de los datos atípicos discordantes y contaminantes en la implementación de las redes neuronales supervisadas Back Propagation
Autor : Sánchez Alvarado, Luis Alberto
Asesor : Huamanchumo De La Cuba, Luis Emilio
Palabras clave : Redes neuronales;Ingeniería estadística
Fecha de publicación : 2011
Editorial : Universidad Nacional de Ingeniería
URI Relacionado: http://cybertesis.uni.edu.pe/uni/2011/sanchez_al/html/index-frames.html
Resumen : 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.
URI : http://cybertesis.uni.edu.pe/handle/uni/250
Derechos: info:eu-repo/semantics/openAccess
Aparece en las colecciones: Ingeniería Estadística

Ficheros en este ítem:
Fichero Descripción Tamaño Formato  
sanchez_al.pdf1,38 MBAdobe PDFVisualizar/Abrir


Este ítem está sujeto a una licencia Creative Commons Licencia Creative Commons Creative Commons