Buscar en Google Scholar
Título: Efectos de los datos atípicos discordantes y contaminantes en la implementación de las redes neuronales supervisadas Back Propagation
Asesor(es): Huamanchumo De la Cuba, Luis Emilio
Fecha de publicación: 2011
Institución: Universidad Nacional de Ingeniería
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.
Disciplina académico-profesional: Ingeniería Estadística
Institución que otorga el grado o título: Universidad Nacional de Ingeniería. Facultad de Ingeniería Económica, Estadística y Ciencias Sociales
Grado o título: Ingeniero Estadístico
Fecha de registro: 4-sep-2013; 4-sep-2013



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