Redes neuronales artificiales

Las redes neuronales artificiales son un subdomio del machine learning que se utiliza para resolver problemas de clasificación y regresión. Estos modelos vienen solventar las limitaciones del machine learning tradicional, que se basa en la extracción de características y la selección de modelos. Las redes neuronales artificiales son capaces de aprender las características de los datos y seleccionar el modelo más adecuado para resolver el problema.

Neurona artificial

Las neuronas artificiales son la unidad básica de las redes neuronales artificiales. Están formadas por un conjunto de entradas, un conjunto de pesos, una función de activación y una salida.

Neurona artificial

Perceptrón

El perceptrón es un tipo de neurona artificial de una sola capa. Recibe un conjunto de entradas, realiza un cálculo y devuelve una salida. El cálculo que realiza el perceptrón es el siguiente:

y = \begin{cases} 0 & \text{si } \sum_{i=1}^{n} w_i x_i + b \leq 0 \\ 1 & \text{si } \sum_{i=1}^{n} w_i x_i + b > 0 \end{cases}

Donde:

$x_i$ es la entrada $i$ .
$w_i$ es el peso $i$ .
$b$ es el sesg(bias).
$n$ es el número de entradas.

Perceptrón multicapa

El perceptrón multicapa es un tipo de red neuronal artificial formada por múltiples capas de perceptrones. La primera capa se conoce como capa de entrada, la última capa se conoce como capa de salida y las capas intermedias se conocen como capas ocultas.

Perceptrón multicapa para clasificación

Classificación binaria: La capa de salida tiene una sola neurona con una función de activación sigmoide. La salida de la neurona es la probabilidad de que la entrada pertenezca a la clase positiva.
Clasificación multiclase(multiclass classification): La capa de salida tiene $n$ neuronas, donde $n$ es el número de clases. Cada neurona tiene una función de activación softmax. La salida de cada neurona es la probabilidad de que la entrada pertenezca a la clase $i$ . Las probabilidades de todas las neuronas suman 1.
Clasificación binaria simultánea(multilabel binary classification): La capa de salida tiene dos neuronas, donde cada neurona tiene una función de activación sigmoide. La salida de la primera neurona es la probabilidad de que la entrada pertenezca a la clase positiva y la salida de la segunda neurona es la probabilidad de que la entrada pertenezca a la clase negativa.

Perceptrón multicapa para regresión

La RNA tiene una sola neurona en la capa de salida.
También se puede utilizar varias neuronas en la capa de salida para predecir varios valores continuos de manera simultánea. En este caso se requerirá una neurona por cada valor a predecir.
En general las RNA para regresión no tienen función de activación en la capa de salida, lo que permite que la salida pueda tomar cualquier valor real.
Si se requiere que la salida de la RNA esté acotado en un rango determinado, se puede utilizar una función de activación(relu) en la capa de salida.
La función de coste más utilizada es el error cuadrático medio(MSE).