Las redes neuronales como herramientas estadísticas no paramétricas de clasificación

  1. Ruiz, Juan Carlos
  2. Roy Delgado, Juan Francisco
  3. Pitarque, Alfonso
Revista:
Psicothema

ISSN: 0214-9915

Año de publicación: 2000

Volumen: 12

Número: 2

Páginas: 459-463

Tipo: Artículo

DIALNET GOOGLE SCHOLAR lock_openAcceso abierto editor

Otras publicaciones en: Psicothema

Resumen

Recientemente diversos trabajos (ver p.e. Cherkassky, Friedman y Wechsler, 1994; Ripley, 1996) han analizado las relaciones entre redes neurales y técnicas estadísticas convencionales. Aunque los resultados no son concluyentes, en general las redes neurales han mostrado una capacidad clasificatoria igual o superior que las técnicas estadísticas, con la ventaja de poderse utilizar independientemente del cumplimiento de los supuestos téoricos relativos a estas técnicas (de ahí que se haya hablado de ellas como de «técnicas no paramétricas»). Se presentan una serie de simulaciones y aplicaciones sobre datos reales que apoyan esta idea. En concreto contrastamos redes neurales del tipo perceptrón multi-capa contra modelos de regresión logística y análisis discriminante en tareas de clasificación, manipulando los patrones de correlación existentes entre los predictores (o variables de entrada) por un lado, y entre predictores con el criterio (variable de salida) por otro. Los resultados muestran que las redes neurales clasifican mejor que las técnicas estadísticas, incluso en la condición a priori más favorable a éstas, es decir, cuando existen altas correlaciones entre los predictores con el criterio pero bajas correlaciones entre los predictores. Un patrón de resultados similares aparece en tareas de clasificación con datos reales. Se discuten los resultados en el marco de la polémica redes neurales vs modelos estadísticos convencionales (ver p.e. Sarle, 1999), valorando si vale la pena ganar en capacidad clasificatoria a costa de incrementar el costo computacional y de recursos involucrados en el entrenamiento de las redes neurales.

Referencias bibliográficas

  • Cherkassky, V., Friedman, J.H. y Wechsler, H. (eds.) (1994). From statistics to neural networks. SpringerVerlag. Berlin.
  • Croall, I.F. y Mason, J.P. (1992). Industrial applications of neural net works. Springer-Verlag. N.Y.
  • Garson, G.D. (1991). A camparison of neural network and expert systems algorithms with common multivariate procedures for analysis of social science data. Social Science Computer Review, 9, 399-434.
  • González-Romá, V., Peiró, J.M., Lloret, S. y Zornoza, A. (1999). The validity of collective climates. Journal of Occupational and Organizational Psychology, 72, 25-40.
  • Huang, W.Y. y Lippmann, R.P. (1987). Comparisons between neural nets and conventional clasifiers. Proceedings of the IEEE International Conference on Neural Networks, I, 485-494.
  • Lim, T., Loh, W. Y Shih, Y. (1999). A comparison of prediction accuracy, complexity and training time of thirty-three old and new algorithms. Machine Learning, 1-27.
  • Martín, B. y Sanz, A. (1997). Redes neuronales y sistemas borrosos. Rama. Madrid.
  • Michie, D., Spiegelharter, D.J. y Taylor, C.C. (eds) (1994). Machine learning, neural and statistical classification. Londres: Ellis Horwood.
  • Navarro, J.B. (1998). Aplicación de redes neuronales artificiales al tratamiento de datos incompletos. Tesis doctoral no publicada. Universitat Autonoma de Barcelona.
  • Pitarque, A., Roy, J.F. y Ruiz, J.C. (1998). Redes neurales vs modelos estadísticos: Simulaciones sobre tareas de predicción y clasificación. Psicológica, 19, 387-400.
  • Ripley, B. D. (1993). Statistical aspects of neural networks. En O. E . Barndorff-Nielsen, J.L. Jensen y W. S. Kendall (eds), Networks and chaos: Statistical and probabilistic aspects. Londres: Chapman and Hall.
  • Ripley, B.D. (1996). Pattern recognition and neural networks. Cambridge Univ. Press. Cambridge, G.B.
  • Sarle, W.S. (1994). Neural networks and statistical models. Proceedings of the 19th Annual SAS Group conference, Cary, NC. pp. 1.538-1.550.
  • Sarle, W.S. (1998). Neural network FAQ. Acceso FTP, parts 1 to 7 . Acceso FTP: ftp://ftp.sas.com/pub/neural/FAQ.html
  • Smith, M. (1993). Neural networks for statistical modelling. Van Nostrand Reinhold. N.Y.
  • Thrun, S., Mitchell, T. y Cheng, J. (1991). The MONK’s comparison of learning algorithms. Introduction and survey. En S. Thrun, J. Bala, E. Bloedorn e I. Bratko (eds.), The MONK’s problem. A performance comparison of different learning algoritms. Pittsburg: Carnegie-Mellon Univ.
  • White, H. (1994). Parametric statistical estimation with artificial neural networks. En Smolensky, Mozer y Rumelhart (eds.), Mathematical perspectives on neural networks. Hillsdale, NJ: Erlbaum.
Fuente de los datos: Dialnet