• Saltar al contenido principal
  • Skip to secondary menu
  • Saltar a la barra lateral principal
  • Saltar al pie de página
  • Inicio
  • Secciones
    • Ciencia de datos
    • Criptografía
    • Herramientas
    • Machine Learning
    • Noticias
    • Opinión
    • Productividad
    • Programación
      • JavaScript
      • Julia
      • Matlab
      • Python
      • R
  • Programación
    • JavaScript
    • Julia
    • Matlab
    • Python
    • R
  • Noticias
  • Boletín
  • Contacto
  • Tienda
    • Libros
    • Equipamiento de oficina
    • Equipamiento en movilidad
    • Tiendas afiliadas
      • AliExpress
      • Amazon
      • Banggood
      • GeekBuying
      • Lenovo

Analytics Lane

Ciencia e ingeniería de datos aplicada

  • Ciencia de datos
  • Machine Learning
  • Python
  • Pandas
  • NumPy
  • Matlab
  • Julia
  • JavaScript
  • Excel

La interpretación de las redes neuronales

noviembre 16, 2018 Por Daniel Rodríguez Deja un comentario
Tiempo de lectura: 3 minutos

Las redes neuronales profundas han demostrado ser una de las herramientas más potentes a la hora de realizar predicciones. Existen pocas técnicas en el aprendizaje automático que permitan alcanzar el nivel de precisión que ofrecen estas. Por eso no es de extrañar que el número de casos de éxito en los que son utilizadas no haga más que aumentar. Aún así, su utilización es rechazada en muchos entornos por ser considerados sistemas de “caja negra”. Sistemas en los que no se puede “comprender” fácilmente por qué el modelo ha llegado a la conclusión. Así la dificultad para obtener una interpretación de las redes neuronales provoca que se utilicen otras técnicas que son más fáciles de interpretar. A pesar de que estos sean más precisos que otros modelos en los que sí sea posible indicar cómo se ha llegado a la conclusión.

Bases de rechazo de los modelos de redes neuronales

Básicamente, el fundamento del rechazo nace en la imposibilidad de justificar los resultados en base a una combinación lineal simple de los valores de entrada. Por ejemplo, en una regresión lineal múltiple es posible identificar que características afectan a los resultados. Pudiéndose conocer tanto en la intensidad como el sentido que afecta cada característica al resultado final. En las redes neuronales profundas esto no es posible de forma genérica. Simplificando, en estos modelos el resultado final no depende de las características de entrada, sino que de las transformaciones realizadas sobre estas en las capas intermedias. Cada una de las cuales es un modelo en sí.

Al utilizar estos argumentos para justificar el rechazo de los modelos basados en redes neuronales profundas lo que se está diciendo es que la realidad detrás de los modelos no puede ser compleja. Lo que claramente no es cierto. Asumiendo de esta forma que solamente se puede predecir aquello que se puede entender en términos lineales.

Este punto se justifica habitualmente por la accionabilidad de los resultados. Al conocer cómo afecta una característica al resultado final, se puede buscar o evitar esta. Por ejemplo, la edad de los clientes puede indicar la rentabilidad de estos. Pero esta puede cambiar en función a otras características de forma no lineal. Por lo que buscar únicamente un grupo de edad puede no ser la mejor estrategia.

Publicidad


Posibilidad de obtener resultados absurdos con redes neuronales

Otra justificación para la no utilización del modelo basados en redes neuronales profundas es la posibilidad de que se obtengan resultados absurdos. Esto puede suceder en casi todos los tipos de modelos, incluso en una simple regresión lineal. Estas, fuera del rango de ajuste, también pueden ofrecer valores que se pueden considerar como absurdos. Aún así no son rechazados, simplemente no son utilizados fuera de su rango de definición.

Conclusiones

En resumen, la no utilización de estos modelos se sustenta principalmente en la incomodidad que produce no poder comprender sus resultados. Entendiendo por “comprender” que estos se pueden explicar de forma sencilla en función de las características de entrada. En ciertos entornos esto se puede justificar por la accionabilidad, la posibilidad de usar los modelos no solo para predecir, sino que también para definir estrategias.  

Imágenes: Pixabay (Gerd Altmann)

¿Te ha parecido de utilidad el contenido?

¡Puntúalo entre una y cinco estrellas!

Puntuación promedio 0 / 5. Votos emitidos: 0

Ya que has encontrado útil este contenido...

¡Síguenos en redes sociales!

¡Siento que este contenido no te haya sido útil!

Publicidad


¡Déjame mejorar este contenido!

Dime, ¿cómo puedo mejorar este contenido?

Publicaciones relacionadas

  • dart-board
    La exactitud y la precisión en modelos de clasificación
  • Distancias
    Distancias y métricas en aprendizaje automático
  • sea-bird
    Multicolinealidad
  • politics
    Cuatro aplicaciones de la Inteligencia Artificial en…
  • image
    Los tipos de aprendizaje por conjuntos (Ensemble Learning)
  • forest
    Interpretación de las predicciones de los árboles de…

Publicado en: Ciencia de datos Etiquetado como: Deep learning, Machine learning

Interacciones con los lectores

Deja una respuesta Cancelar la respuesta

Tu dirección de correo electrónico no será publicada. Los campos obligatorios están marcados con *

I accept the Terms and Conditions and the Privacy Policy

Este sitio usa Akismet para reducir el spam. Aprende cómo se procesan los datos de tus comentarios.

Publicidad





Barra lateral principal

Suscríbete a nuestro boletín

Suscríbete al boletín semanal para estar al día de todas las publicaciones.

Política de Privacidad

Analytics Lane en redes sociales

  • Amazon
  • Facebook
  • GitHub
  • Instagram
  • Pinterest
  • RSS
  • Twitter
  • Tumblr
  • YouTube

Publicidad

Entradas recientes

Mantener un sistema de alta disponibilidad con PostgreSQL y repmgr

diciembre 1, 2023 Por Daniel Rodríguez

Diferencias entre los errores 401 y 403 del estándar HTTP

noviembre 29, 2023 Por Daniel Rodríguez

Ver el código de cualquier función en Python

noviembre 27, 2023 Por Daniel Rodríguez

Publicidad

Es tendencia

  • Duplicado Eliminar registros duplicados en pandas publicado el junio 20, 2018 | en Python
  • Gráficos de barras en Matplotlib publicado el julio 5, 2022 | en Python
  • ¿Cómo cambiar el nombre de las columnas en Pandas? publicado el mayo 6, 2019 | en Python
  • El método Sainte-Laguë y su implementación en Python publicado el septiembre 22, 2023 | en Ciencia de datos
  • Numpy básico: eliminar elementos en arrays de Numpy publicado el octubre 30, 2019 | en Python

Publicidad

Lo mejor valorado

4.9 (22)

Seleccionar filas y columnas en Pandas con iloc y loc

4.7 (12)

Operaciones de filtrado de DataFrame con Pandas en base a los valores de las columnas

4.6 (15)

Archivos JSON con Python: lectura y escritura

4.5 (10)

Diferencias entre var y let en JavaScript

4.4 (13)

Ordenación de diccionarios en Python mediante clave o valor

Publicidad

Comentarios recientes

  • Anto en Rendimiento al iterar en JavaScript sobre un vector
  • Daniel Rodríguez en Creación de un certificado Let’s Encrypt en Windows con Win-Acme
  • Guillermo en Creación de un certificado Let’s Encrypt en Windows con Win-Acme
  • Daniel Rodríguez en ¿Cómo eliminar columnas y filas en un dataframe pandas?
  • Miguel en ¿Cómo eliminar columnas y filas en un dataframe pandas?

Publicidad

Footer

Analytics Lane

  • Acerca de Analytics Lane
  • Boletín de noticias
  • Contacto
  • Libros
  • Lo más popular
  • Noticias
  • Tienda
  • Tiendas afiliadas

Secciones

  • Ciencia de datos
  • Criptografía
  • Herramientas
  • Machine Learning
  • Opinión
  • Productividad
  • Programación
  • Reseñas

Sobre de Analytics Lane

En Analytics Lane tratamos de explicar los principales conceptos de la ciencia e ingeniería de datos con un enfoque práctico. Los principales temas tratados son ciencia de datos, ingeniería de datos, inteligencia artificial, machine learning, deep learning y criptografía. Además, también se habla de los principales lenguajes de programación y herramientas utilizadas por los científicos e ingenieros de datos.

Copyright © 2018-2023 Analytics Lane ·Términos y condiciones ·Política de Cookies ·Política de Privacidad ·Herramientas de privacidad ·Contacto