Neural tools5 es

Guía para el uso de

NeuralTools
Programa auxiliar de redes
neuronales para Microsoft Excel
®

Versión 5.7
septiembre, 2010

Palisade Corporation
798 Cascadilla St.
Ithaca, NY 14850
EE.UU.
+1-607-277-8000
+1-607-277-8001 (fax)
http://www.palisade.com (página Web)
sales@palisade.com (correo electrónico)

Copyright
Copyright © 2010, Palisade Corporation.

Reconocimiento de marcas comerciales
Microsoft, Excel y Windows son marcas comerciales registradas de Microsoft Corporation.
IBM es una marca comercial registrada de International Business Machines, Inc.
Palisade, TopRank, BestFit y RISKview son marcas comerciales registradas de Palisade
Corporation.

Bienvenidos a NeuralTools para
Excel

Bienvenidos
NeuralTools ofrece a Microsoft Excel –el programa de modelación y
análisis de datos estándar de la industria- un nuevo y eficaz grupo de
herramientas de modelación. NeuralTools es un programa auxiliar de
redes neuronales para Microsoft Excel que permite analizar datos en
las hojas de cálculo de Excel y trabajar en el entorno familiar de
Microsoft Office. Combinando un eficaz administrador de datos y los
más modernos algoritmos de redes neuronales, NeuralTools ofrece lo
mejor de dos mundos: la facilidad de uso y los informes de Microsoft
Office, y las predicciones sólidas y precisas de las redes neuronales.

Trabaje con la mayor comodidad
Si sabe cómo usar Excel, sabrá usar NeuralTools. NeuralTools
funciona como lo hace Excel, con barras de herramientas, menús y
funciones personalizadas de hojas de trabajo, y todo ello dentro de
Excel. A diferencia de los programas de redes neuronales de
funcionamiento independiente, con NeuralTools no hay una
pronunciada curva de aprendizaje ni costos iniciales de formación,
porque se trabaja como usted trabaja en Excel. Los datos y variables
están en hojas de cálculo de Excel. Puede usar fórmulas estándar de
Excel para hacer cálculos así como tablas de pivote y ordenación de
Excel. Los informes y gráficas de los análisis se ofrecen en el formato
estándar de Excel y pueden utilizar todas las funciones de formato
incorporadas de Excel.

Bienvenidos a NeuralTools para Excel i

Análisis de NeuralTools
Las redes neuronales son capaces de aprender complejas relaciones
de datos. Al imitar las funciones de un cerebro, pueden diferenciar
patrones de datos y luego extrapolar predicciones cuando se
introducen nuevos datos. Los problemas en los que se usan redes
neuronales se pueden dividir en dos grupos generales:
• Problemas de clasificación: Problemas en los que se trata de
determinar el tipo de categoría al que pertenece un elemento
desconocido. Como ejemplo están los diagnósticos médicos o
las predicciones de capacidad de pago de un crédito.
• Problemas numéricos: Situaciones en las que debe predecir
un resultado numérico específico. Como ejemplo están la
previsión del precio de acciones o la predicción del nivel de
ventas durante un periodo de tiempo futuro.
Las redes neuronales se usan en una amplia variedad de aplicaciones,
que incluyen: predicciones en el mercado de valores, asignación de
riesgo en créditos y préstamos, detección de fraude crediticio,
previsiones de ventas, previsiones comerciales en general, riesgo en
inversiones, diagnósticos médicos, investigación científica y sistemas
de control.
NeuralTools incorpora los más modernos algoritmos de redes
neuronales para hacer las mejores predicciones tanto en problemas de
clasificación (denominados predicción de categoría en NeuralTools)
como en problemas numéricos.

ii Bienvenidos

Administración de datos en NeuralTools
NeuralTools proporciona un completo administrador de conjuntos de
datos y variables que funciona dentro de Excel, similar al que
proporciona StatTools, el programa auxiliar estadístico para Excel
creado por Palisade. Se puede definir un número ilimitado de
conjuntos de datos, cada uno con las variables que desea analizar,
directamente en los datos de Excel. NeuralTools evalúa
inteligentemente los bloques de datos, sugiriendo nombres y tipos de
variables así como ubicaciones de datos. Los conjuntos de datos y
variables pueden residir en diferentes libros de trabajo y hojas de
cálculo, permitiéndole organizar los datos como mejor le convenga.
Luego, puede entrenar las redes neuronales que hacen referencia a las
variables, en lugar de tener que seleccionar de nuevo los datos una y
otra vez en Excel. Y las variables de NeuralTools no están limitadas en
su tamaño a una sola columna de datos de una hoja de cálculo de
Excel; puede usar la misma columna a lo largo de hasta 255 hojas de
cálculo para una sola variable.

Informes de NeuralTools
Excel es ideal para informes y gráficos, y NeuralTools lo aprovecha al
máximo. NeuralTools usa gráficos con formato de Excel, que se
pueden personalizar fácilmente con nuevos colores, fuentes y texto.
Los títulos de los informes, formato de los números y texto se puede
cambiar como en cualquier hoja de cálculo estándar de Excel. Arrastre
y coloque tablas y gráficas de los informes de NeuralTools
directamente a sus propios documentos de otras aplicaciones.
NeuralTools Industrial también incluye predicción en vivo, que
permite calcular los valores de predicción cuando se introducen
nuevos datos en la hoja de cálculo de Excel. Estos cálculos en vivo se
producen automáticamente, como los demás recálculos de Excel.

Bienvenidos a NeuralTools para Excel iii

Acceso y distribución de datos
Excel tiene excelentes funciones de importación de datos, por lo que
incorporar datos existentes a NeuralTools es muy fácil. Use las
funciones estándar de Excel para importar datos de Microsoft SQL
Server, Oracle, Microsoft Access o cualquier otra base de datos que
respalde ODBC. Cargue datos de archivos de texto o de otras
aplicaciones; si lo puede introducir en Excel, lo puede usar en
NeuralTools.
NeuralTools almacena todos los resultados y datos en libros de
trabajo de Excel. Como con cualquier otro archivo de Excel, podrá
enviar resultados y redes de NeuralTools a sus colegas. Compartir
datos no puede ser más fácil.

Las versiones Profesional e Industrial de
NeuralTools
NeuralTools se ofrece en dos versiones: Profesional e Industrial. Las
diferencias son las siguientes:
• Los conjuntos de datos en NeuralTools Profesional están
limitados a 1000 casos, mientras NeuralTools Industrial
respalda conjuntos de datos de hasta 16,777,216 casos.
• La predicción en vivo, que permite calcular los valores de
predicción cuando se introducen nuevos datos en la hoja de
cálculo de Excel, sólo se ofrece en NeuralTools Industrial.
Estos cálculos en vivo se producen automáticamente, como
los demás recálculos de Excel.

iv Bienvenidos

Índice

Capítulo 1: Introducción 1
Introducción ........................................................................................3
El contenido del paquete ........................................................................3
Lo que incluye el paquete.......................................................................3
Información sobre esta versión .............................................................3
El sistema operativo.................................................................................4
Cómo obtener ayuda................................................................................4
Requisitos del sistema de NeuralTools ...............................................6
Instrucciones para la instalación......................................................7
Instrucciones generales de instalación.................................................7
Configuración de los iconos y de los accesos directos de
NeuralTools...............................................................................................8
Los programas de DecisionTools Suite................................................9
Activación del software....................................................................11

Capítulo 2: Introducción a NeuralTools 15
Introducción ......................................................................................17
¿Para qué sirven las redes neuronales? ..............................................17
NeuralTools y las redes neuronales....................................................18
El menú y la barra de herramientas de NeuralTools .......................19
Conjuntos de datos y el Administrador de conjunto de datos ......20
Entrenamiento de una red neuronal ...................................................22
Prueba de una red ..................................................................................27
Predicción ................................................................................................29
Informes y gráficas de NeuralTools ...................................................31
Utilidades de NeuralTools ...................................................................32
Uso de NeuralTools con StatTools, Solver y Evolver......................32

Capítulo 3: Guía de referencia de NeuralTools 35
Introducción ......................................................................................37

Referencia: Iconos de NeuralTools 39
La barra de herramientas de NeuralTools......................................39

Índice v

Referencia: Comandos del menú de NeuralTools 41
Introducción...................................................................................... 41
Iconos de los cuadros de diálogo........................................................ 42
Referencia de comandos................................................................. 43
El comando Administrador de conjunto de datos........................... 43
El comando Entrenar............................................................................. 50
El comando Probar ................................................................................ 64
El comando Predecir ............................................................................. 71
Utilidades .......................................................................................... 77
El comando Configuraciones de aplicación ..................................... 77
El comando Administrador de red neuronal.................................... 81
El comando Utilidades de reemplazo de datos................................ 83

Información adicional sobre redes neuronales 87
Fundamentos de las redes neuronales.......................................... 87
Redes neuronales y métodos estadísticos......................................... 88
La estructura de una red neuronal...................................................... 88
Predicción numérica y de categorías.................................................. 89
Entrenamiento de una red ................................................................... 89
Procesamiento en computadora de las redes neuronales............... 90
Tipos de redes neuronales ................................................................... 90
Redes multinivel siempre hacia adelante...................................... 91
La arquitectura MLF ............................................................................. 91
Entrenamiento de una red MLF.......................................................... 93
Redes neuronales de regresión generalizada y redes neuronales
probabilísticas............................................................................... 97
Redes neuronales de regresión generalizada ................................... 97
Redes neuronales probabilísticas..................................................... 100
Comparación de redes MLF y redes PN/GRN ............................. 103
Transformación de valores de entrada ........................................ 105
Obras recomendadas..................................................................... 107

Índice 109

vi

Capítulo 1: Introducción
Introducción ........................................................................................3
El contenido del paquete ........................................................................3
Lo que incluye el paquete.......................................................................3
Información sobre esta versión .............................................................3
El sistema operativo.................................................................................4
Cómo obtener ayuda................................................................................4
Requisitos del sistema de NeuralTools ...............................................6
Instrucciones para la instalación......................................................7
Instrucciones generales de instalación.................................................7
Configuración de los iconos y de los accesos directos de
NeuralTools...............................................................................................8
Los programas de DecisionTools Suite................................................9
Activación del software....................................................................11
@RISK 4.5 Help System © Palisade Corporation, 1999


Introducción
Esta introducción describe los contenidos del paquete de NeuralTools
y explica cómo instalar NeuralTools e incorporarlo a su copia de
Microsoft Excel 2000 para Windows 2000 o posterior.

El contenido del paquete
El paquete de NeuralTools debe contener:
El CD-ROM de NeuralTools o DecisionTools Suite, que incluye:
• El programa NeuralTools
• El tutorial de NeuralTools
• La Guía para el Uso de NeuralTools (este libro) en formato .PDF
El Acuerdo de Licencia de NeuralTools
Si el paquete que usted recibió no está completo, llame al vendedor o
al distribuidor de NeuralTools, o póngase en contacto con Palisade
Corporation directamente llamando al +1-607-277-8000.

Lo que incluye el paquete
NeuralTools se puede comprar como producto independiente o como
parte de las versiones Profesional o Industrial de DecisionTools Suite.
El CD-ROM de NeuralTools contiene el programa auxiliar
NeuralTools para Excel, varios ejemplos de NeuralTools y un sistema
de ayuda electrónico con índice completo para NeuralTools. Las
versiones Profesional e Industrial de DecisionTools Suite contienen
todo lo anterior, además de aplicaciones adicionales.

Información sobre esta versión
Esta versión de NeuralTools se puede instalar como programa de
32-bit para Microsoft Excel 2000 o posterior.


El sistema operativo
Esta guía para el uso del programa está diseñada para usuarios que
tienen un conocimiento general del sistema operativo Windows y de
Excel. En particular, el usuario debe:
• Estar familiarizado con el uso del PC y del ratón.
• Estar familiarizado con términos como iconos, hacer clic, hacer doble
clic, menú, ventana, comando y objeto.
• Comprender los conceptos básicos de estructura de directorios y
archivos.

Cómo obtener ayuda
Se ofrece asistencia técnica gratuita a todos los usuarios registrados de
NeuralTools con un plan actual de mantenimiento, o también se
ofrece por un precio por incidente. Para asegurar que usted es un
usuario registrado de NeuralTools, regístrese electrónicamente en
http://www.palisade.com/support/register.asp.
Si se pone en contacto con nosotros por teléfono, tenga a mano el
número de serie y la Guía para el Uso del programa. Le podremos
asistir mejor si se encuentra delante del PC en el momento de llamar.
Antes de llamar Antes de ponerse en contacto con el servicio de asistencia técnica,
repase la siguiente lista:
• ¿Ha consultado la ayuda electrónica?
• ¿Ha consultado esta Guía de Uso y revisado el tutorial multimedia
electrónico?
• ¿Ha leído el archivo LEAME.WRI? Este archivo contiene información
actual referente a NeuralTools que puede no estar en la guía del
programa.
• ¿Puede reproducir el problema consistentemente? ¿Puede reproducir el
problema en otro PC o con otro modelo?
• ¿Ha visitado nuestra página de World Wide Web? La dirección es
http://www.palisade.com. En nuestra página Web también podrá
encontrar las preguntas más frecuentes (una base de datos de preguntas
y respuestas sobre temas técnicos) y una serie de archivos de reparación
de NeuralTools en la sección de Asistencia Técnica. Recomendamos que
visite nuestra página Web con regularidad para obtener información
actualizada sobre NeuralTools y sobre otros programas de Palisade.

4 Introducción

Cómo ponerse en Palisade Corporation está abierto a sus preguntas, comentarios y
contacto con sugerencias referentes a NeuralTools. Póngase en contacto con
Palisade
nuestro personal de asistencia técnica siguiendo uno de estos
métodos:
• Envíe un correo electrónico a support@palisade.com.
• Llame al teléfono +1-607-277-8000 los días laborables de 9:00 a.m. a
5:00 p.m., hora estándar del este de Estados Unidos. Para acceder al
servicio de asistencia técnica siga las indicaciones del sistema.
• Envíe un fax al +1-607-277-8001
• Envíe una carta postal a:
Asistencia Técnica
Palisade Corporation
798 Cascadilla St.
Ithaca, NY 14850 EE.UU.
Si quiere ponerse en contacto con Palisade en Europa.
• Envíe correo electrónico a support@palisade-europe.com.
• Llame al teléfono +44 1895 425050 (Reino Unido).
• Envíe un fax al +44 1895 425051 (Reino Unido).
Palisade Europe
31 The Green
West Drayton
Middlesex
UB7 7PN
Reino Unido
Si quiere ponerse en contacto con Palisade en Asia-Pacífico.
• Envíe correo electrónico a support@palisade.com.au.
• Llame al teléfono +61 2 9252 5922 (Australia).
• Envíe un fax al +61 2 9252 2820 (Australia).
Palisade Asia-Pacific Pty Limited
Suite 404, Level 4
20 Loftus Street
Sydney NSW 2000
Australia
Independientemente del método de contacto, mencione siempre el
nombre del producto, la versión y el número de serie. La versión
exacta se encuentra seleccionando el comando Acerca de … de la
Ayuda del menú de NeuralTools en Excel.

Versión para La versión para estudiantes de NeuralTools no incluye asistencia
estudiantes técnica por teléfono. Si necesita ayuda, recomendamos las siguientes
alternativas:
♦ Consulte con su profesor o asistente.
♦ Vaya a http://www.palisade.com y busque entre las respuestas a las
preguntas más frecuentes.
♦ Póngase en contacto con nuestro departamento de asistencia técnica
enviando un fax o mensajes de correo electrónico.

Requisitos del sistema de NeuralTools
Los requisitos del sistema de NeuralTools 5.5 para Microsoft Excel
para Windows son los siguientes:
• PC Pentium o superior con disco duro.
• Microsoft Windows 2000 SP4, Windows XP o superior.
• Microsoft Excel 2000 o posterior.

6 Introducción

Instrucciones para la instalación
Instrucciones generales de instalación
El programa de instalación copia los archivos del sistema de
NeuralTools en el directorio seleccionado del disco duro.
Para ejecutar el programa de instalación en Windows 2000 o
posterior:
1) Introduzca el CD-ROM de NeuralTools o de DecisionTools Suite en la
unidad de CD-ROM
2) Haga clic en el botón Inicio, luego en Configuración y luego en Panel de
control
3) Haga doble clic sobre el icono Agregar/Quitar programas
4) En la sección Instalar/Desinstalar, pulse el botón Instalar
5) Siga las instrucciones de instalación que aparecen en la pantalla
Si tiene algún problema instalando NeuralTools, compruebe que hay
espacio suficiente en el disco en el que va a instalar el programa. Si
falta espacio, libere el espacio de disco que sea necesario e intente
instalar el programa de nuevo.
Cómo quitar Si quiere quitar NeuralTools de su PC, use la utilidad Agregar/Quitar
NeuralTools de Programas del Panel de Control y seleccione NeuralTools.
su PC


Configuración de los iconos y de los accesos
directos de NeuralTools
Creación de los En Windows, el programa de instalación crea automáticamente un
accesos directos comando de NeuralTools en el menú ProgramasPalisade
en la barra de
tareas de
DecisionTools de la barra de herramientas. Pero si tiene algún
Windows problema durante la instalación, o si desea hacerlo manualmente en
otro momento, siga estas instrucciones: Recuerde que las
instrucciones que se dan a continuación son para Windows XP
Professional. Las instrucciones para otros sistemas operativos pueden
ser diferentes.
1) Haga clic en el botón Inicio y luego en Configuración.
2) Haga clic en Barra de Tareas y Menú Inicio, y luego haga clic en la
pestaña Menú Inicio.
3) Haga clic en Personalizar, haga clic en Añadir y luego en Examinar.
4) Localice el archivo NeuralTools.EXE, haga clic en el archivo y luego
haga clic en Aceptar.
5) Haga clic en Siguiente y luego doble clic en el menú en el que quiere que
aparezca el programa.
6) Escriba el nombre “NeuralTools” y luego haga clic en Terminar.
7) Haga clic en Aceptar en todos los cuadros de diálogo.

8 Instrucciones para la instalación

Los programas de DecisionTools Suite
NeuralTools forma parte de DecisionTools Suite, un juego de
productos de análisis de riesgo y decisión que ofrece Palisade
Corporation. El procedimiento de instalación predeterminado de
NeuralTools coloca NeuralTools en un subdirectorio del directorio
principal “Archivos de programasPalisade”. Algo similar ocurre con
Excel, que normalmente se instala como un subdirectorio del
directorio “Microsoft Office”.
Uno de los subdirectorios del directorio Archivos de
programasPalisade será el directorio de NeuralTools (denominado
de forma predeterminada NeuralTools5). Este directorio contiene el
archivo del programa de complemento NeuralTools
(NEURALTOOLS.XLA) además de modelos de ejemplo y otros
archivos necesarios para el funcionamiento de NeuralTools. Otro de
los subdirectorios de Archivos de programasPalisade es el directorio
SYSTEM, que contiene archivos necesarios para todos los programas
de DecisionTools Suite, incluyendo archivos comunes de ayuda y
librerías de programas.


Activación del software
La activación es un proceso que se realiza una sola vez para verificar
la licencia y es necesario para que el software de NeuralTools
funcione como un producto con licencia completa. En la factura
impresa o enviada por correo electrónico encontrará un código de
activación compuesto de una secuencia separada por guiones similar
a esta: “19a0-c7c1-15ef-1be0-4d7f-cd”. Si introduce el Código de
Activación durante la instalación, el software se activa la primera vez
que ejecute el software y no será necesaria acción adicional alguna. Si
quiere activar el software después de la instalación, seleccione el
comando Activación de la Licencia del menú Ayuda de NeuralTools e
introduzca el código de activación en el cuadro de diálogo Activación
de la Licencia de Palisade que aparece en pantalla.

Preguntas más 1) ¿Qué sucede si el software no se activa?
frecuentes
Si no introduce un código de activación durante la instalación o si
instala una versión de prueba, el software funcionará como una
versión de prueba con una limitación de tiempo y/o número de usos
y deberá activarse con un código de activación para que funcione
como un producto con licencia completa.


2) ¿Cuánto tiempo puedo usar el producto antes de activarlo?
El software que no se activa se puede usar durante quince días.
Estarán presentes todas las funciones del producto, pero el cuadro de
diálogo Activación de Licencia aparecerá cada vez que se inicie el
programa para recordarle que lo active y para indicar el tiempo de
uso restante. Si expira el periodo de prueba de 15 días, el software
requerirá la activación para su uso.
3) ¿Cómo puedo comprobar el estado de activación?
El cuadro de diálogo Activación de Licencia se puede abrir con el
comando Activación de Licencia del menú Ayuda de NeuralTools. El
software activado muestra un estado de Activado y la versión de
prueba muestra un estado de No activado. Si el software no está
activado, aparecerá el tiempo restante de funcionamiento del
software.
4) ¿Cómo puedo activar el software?
Si no tiene un código de activación, puede obtenerlo haciendo clic en
el botón Comprar del cuadro de diálogo Activación de Licencia. Una
compra electrónica recibirá inmediatamente un código de activación y
un enlace opcional para descargar el programa de instalación por si
fuera necesario reinstalar el programa. Para hacer una compra por
teléfono, llame a la oficina local de Palisade que aparece en la sección
Cómo ponerse en contacto con Palisade de este capítulo.
La activación se puede hacer a través de Internet o por correo
electrónico:
• Activación si tiene acceso a Internet
En el cuadro de diálogo Activación de Licencia de Palisade, escriba o
pegue el código de activación y pulse “Activación automática”.
Aparecerá un mensaje de operación satisfactoria después de unos
segundos y el cuadro de diálogo de Activación de Licencia mostrará
el estado de activación del software.

12 Activación del software

• Activación si no tiene acceso a Internet
La activación automática a través de correo electrónico requiere varios
pasos:
1. Haga clic en “Activación manual” para abrir el archivo
request.xml que podrá guardar en el disco duro o copiar en el
portapapeles de Windows. (Se recomienda que anote la
ubicación del archivo request.xml en su PC.)
2. Copie o adjunte el archivo XML a un mensaje de correo
electrónico y envíelo a activation@palisade.com. Recibirá pronto
una respuesta automática en la dirección de retorno de su
correo electrónico.
3. Guarde el archivo adjunto response.xml del mensaje de
correo electrónico de respuesta en el disco duro.
4. Haga clic n el botón Procesar que aparece ahora en el cuadro
de diálogo de Activación de Licencia de Palisade y navegue
hasta el archivo response.xml. Seleccione el archivo y haga
clic en Aceptar.
Aparecerá un mensaje de operación satisfactoria y el cuadro de
diálogo de Activación de Licencia mostrará el estado de activación del
software.
5) ¿Cómo puedo transferir la licencia de software a otra máquina?
La transferencia de una licencia, o cambio de residencia, se puede
hacer a través del cuadro de diálogo de Activación de Licencia de
Palisade en un procedimiento de dos pasos: desactivación en la primera
máquina y activación en la segunda máquina. El uso típico de un
cambio de residencia es la transferencia de la copia de NeuralTools de
un PC de oficina a otro portátil. Para cambiar la residencia de la
Máquina1 a la Máquina2, asegúrese de que ambas máquinas tienen el
software instalado y están conectadas a Internet durante el proceso de
desactivación/activación.
1. En la Máquina1, haga clic en Desctivación automática en el
cuadro de diálogo de Activación de Licencia. Espere a que
aparezca el mensaje de operación satisfactoria.
2. En la Máquina2, haga clic en Activación automática. Espere a
que aparezca el mensaje de operación satisfactoria.
Si las máquinas no tienen acceso a Internet, puede seguir
instrucciones similares a las anteriores para el cambio de residencia
mediante el proceso automático por correo electrónico.


6) Tengo acceso a Internet pero todavía no puedo Activar/Desactivar
automáticamente.
El sistema Firewall debe estar configurado para permitir el acceso
TCP al servidor de licencias. Para usuarios individuales (no
instalaciones de red) es http://service.palisade.com:8888 (TCP puerto
8888 en http://service.palisade.com).

14 Activación del software

Capítulo 2: Introducción a
NeuralTools

Introducción 17
¿Para qué sirven las redes neuronales? ..............................................17
NeuralTools y las redes neuronales....................................................18
El menú y la barra de herramientas de NeuralTools .......................19
Conjuntos de datos y el Administrador de conjunto de datos ......20
Tipos de variables.....................................................................21
Datos multi-rango.....................................................................21
Entrenamiento de una red neuronal ...................................................22
Combinación de entrenamiento, prueba y predicción ......22
Configuración de red ...............................................................23
Previsualización de entrenamiento .......................................24
Proceso de entrenamiento .......................................................25
Informes de entrenamiento ....................................................26
Prueba de una red ..................................................................................27
Informes de prueba ..................................................................28
Predicción ................................................................................................29
Resultados de la predicción....................................................30
Predicción en vivo ....................................................................30
Informes y gráficas de NeuralTools ...................................................31
Utilidades de NeuralTools ...................................................................32
Uso de NeuralTools con StatTools, Solver y Evolver......................32


Introducción
NeuralTools proporciona excelente capacidad para redes neuronales
en el entorno familiar de Microsoft Excel. Los procedimientos de
NeuralTools –como la definición de conjuntos de datos, el
entrenamiento y las pruebas de redes neuronales y la predicción de
valores usando redes entrenadas– se pueden ejecutar sobre los datos
en Excel, y los informes y gráficos de los análisis se crean en Excel.

¿Para qué sirven las redes neuronales?
Las redes neuronales son capaces de aprender complejas relaciones de
datos. Al imitar las funciones de un cerebro, pueden diferenciar
patrones de datos y luego extrapolar predicciones cuando se
introducen nuevos datos. Los problemas en los que se usan redes
neuronales se pueden dividir en dos grupos generales:
• Problemas de clasificación: Problemas en los que se trata de
determinar el tipo de categoría al que pertenece un elemento
desconocido. Como ejemplo están los diagnósticos médicos o
las predicciones de capacidad de pago de un crédito.
• Problema numéricos: Situaciones en las que debe predecir un
resultado numérico específico. Como ejemplo están la
previsión del precio de acciones o la predicción del nivel de
ventas durante un periodo de tiempo futuro.
NeuralTools incluye ejemplos que muestran como aplicar redes
neuronales a diferentes problemas de predicción. La carpeta
NeuralToolsExamplesSpanish contiene los ejemplos en formato
de libro de trabajo de Excel.


NeuralTools y las redes neuronales
Cuando se usa NeuralTools, las redes neuronales se desarrollan y
utilizan en cuatro pasos:
• Preparación de datos – Los datos que se usan en NeuralTools
se definen en conjuntos de datos. El Administrador de
conjunto de datos se usa para configurar los conjuntos de
datos para que se puedan utilizar una y otra vez con las redes
neuronales.
• Entrenamiento – Con el entrenamiento se genera una red
neuronal a partir de un conjunto de datos compuesto de casos
con valores de salida conocidos. Estos datos son
frecuentemente casos históricos de los cuales se conocen los
valores de salida / variable dependiente.
• Prueba – Con las pruebas se comprueba la red neuronal para
ver cómo realiza la predicción de los valores de salida
conocidos. Los datos usados para las pruebas son
normalmente un subconjunto de los datos históricos. Este
subconjunto no se utilizan para el entrenamiento de la red.
Después de la prueba, se mide el funcionamiento de la red
mediante estadísticas como el porcentaje de respuesta
conocidas cuya predicción ha sido correcta.
• Predicción – Se usa una red neuronal entrenada para predecir
valores de salida desconocidos. Una vez entrenada y probada,
la red se puede usar para predecir salidas de datos de casos
nuevos.
El entrenamiento y las pruebas son un proceso interactivo que a veces
consume gran cantidad de tiempo. Normalmente se hace el
entrenamiento varias veces con diferentes configuraciones para
generar una red neuronal que obtenga los mejores resultados en la
prueba. Cuando tenga la “mejor red” podrá usarla rápidamente para
predecir.
Ahora vamos a ver cómo funciona NeuralTools en Excel y como se
definen conjuntos de datos y se entrenan y prueban redes neuronales
usando esos conjuntos de datos. Luego, haremos predicciones valores
de salida desconocidos usando redes entrenadas.

18 Introducción

El menú y la barra de herramientas de
NeuralTools
Una vez instalado NeuralTools, su menú y comandos se incluyen en
la barra de menús de Excel en Excel 2003 o anteriores versiones.
También aparecerá una barra de herramientas de NeuralTools. El
menú muestra los comandos para 1) definir datos en conjuntos de
datos, 2) entrenar y probar redes neuronales y 3) hacer predicciones
de valores usando las redes neuronales entrenadas. En Excel 2007,
todos los comandos están disponibles a través de la cinta de
NeuralTools.


Conjuntos de datos y el Administrador de
conjunto de datos
Los datos en NeuralTools se estructuran en casos y variables. Se
trabaja con un conjunto de datos, o un conjunto de variables
estadísticas, que se encuentran en columnas contiguas con los
nombres de las variables en la primera fila del conjunto de datos.
Cada fila del conjunto de datos es un caso. Cada caso tiene un
conjunto de valores de variable independiente y un valor conocido o
que falta para la variable de salida dependiente. El trabajo de
NeuralTools consiste en predecir los valores de variable de salida de
los casos en los que no son conocidas.
El Administrador de conjunto de datos de NeuralTools permite
definir los conjuntos de datos y las variables. Luego podrá usar estas
variables predefinidas para entrenar y probar redes neuronales, sin
tener que seleccionar una y otra vez los datos que desea analizar.
Puede colocar todos los casos históricos conocidos en un conjunto de
datos y los casos para los que desea predecir los resultados en otro
conjunto de datos diferente. También puede combinar todos los datos
–los datos históricos conocidos y los datos que desea predecir– en un
solo conjunto de datos.

20 Introducción

Cada variable del conjunto de datos tiene asociado un nombre y un
rango de celdas de Excel. Cada columna del rango contiene datos de
una variable diferente. Un conjunto de datos puede incluir múltiples
bloques de celdas, lo cual permite poner los datos en diferentes hojas
de un mismo libro de trabajo.
Cuando se definen conjuntos de datos, NeuralTools trata de
identificar las variables en el bloque de celdas que rodean a la
selección actual de Excel. Esto facilita la configuración del conjunto de
datos con nombres de variable en la fila superior y las variables
distribuidas en columnas.
Tipos de variables En NeuralTools, las variables pueden ser independientes o
dependientes, y numéricas o de categoría (por ejemplo Sí o No, o Rojo,
Verde o Azul). El Administrador de conjunto de datos trata de
identificar el tipo de cada variable del conjunto de datos, pero puede
sustituir los tipos por sus propias selecciones.
Datos multi-rango En una sola columna de una hoja de cálculo de Excel 2003 o anterior
caben hasta 65,536 puntos de datos para una variable. Si las variables
tienen más valores y no quiere actualizar el programa a Excel 2007,
NeuralTools permite asignar múltiples rangos de celdas a un solo
conjunto de datos. Es decir, puede “repetir” un conjunto de datos
ocupando múltiples hojas, asignando las mismas columnas a
diferentes hojas de cálculo para que quepan todos los valores del
conjunto de datos.


Entrenamiento de una red neuronal
Después de definir el conjunto de datos que contiene los casos con
valores históricos conocidos, puede entrenar una red neuronal usando
esos datos. Hay diferentes opciones que determinan el tipo de red que
generará NeuralTools. Dependiendo de la naturaleza de los datos, las
diferentes opciones de red pueden generar redes entrenadas de mejor
funcionamiento (es decir, redes que predicen respuestas mejor). El
proceso de prueba –que se realiza después del entrenamiento– ofrece
una medida precisa del funcionamiento de la red entrenada a la hora
de predecir valores de salida.

El entrenamiento de una red neuronal, así como la prueba y
predicción, requiere la especificación de un conjunto de datos que
contenga los datos que se van a usar durante el entrenamiento.
NeuralTools puede guardar la red entrenada directamente en el libro
de trabajo o en un archivo.
Combinación de Si todos los datos se encuentran en un solo conjunto de datos (e
entrenamiento, incluyen los datos históricos conocidos y los nuevos datos de los que
prueba y
predicción
no conoce los valores de salida), NeuralTools permite entrenar y
probar la red y luego predecir los valores de salida, todo en un solo
paso. Se conserva un cierto porcentaje de los datos históricos para la
prueba (20% es lo que se muestra en la página anterior) y luego se
selecciona predecir automáticamente los valores de salida de los casos
a los que le faltan los valores dependientes. Así puede obtener
rápidamente las respuestas que necesita con una sola operación.

22 Introducción

Configuración NeuralTools respalda diferentes configuraciones de red neuronal para
de red obtener las mejores predicciones posibles. Para la predicción de
clasificaciones /categorías (en las que la variable dependiente es de
tipo categoría), se ofrecen dos tipos de redes: Redes neuronales
probabilísticas (PN) y Redes multinivel siempre hacia adelante
(MLF). La predicción numérica se puede realizar usando redes MLF,
así como Redes neuronales de regresión generalizada (GRN), que
están estrechamente relacionadas con las redes PN.

NeuralTools facilita la selección de una configuración de red al ofrecer
una búsqueda de mejor red. Cuando se selecciona, NeuralTools
entrena y prueba una serie de configuraciones de red neuronal para
generar la que realiza mejores predicciones de los datos. La mejor
configuración se determina basándose en los datos de prueba, por lo
tanto debe seleccionarse la opción “Probar automáticamente” en la
pestaña Entrenamiento de la búsqueda de Mejor red.


Previsualización Una vez seleccionadas las opciones de entrenamiento y configuración
de entrenamiento de red, NeuralTools previsualiza lo que hará durante el
entrenamiento de la red. Como el entrenamiento es el proceso que
requiere más tiempo en la modelación de redes neuronales, conviene
revisar la configuración de entrenamiento antes de proceder.
NeuralTools tratará de identificar cualquier problema que encuentre
en los datos para que pueda corregirlo antes de que se realice el
entrenamiento.

24 Introducción

Proceso de Cuando NeuralTools procede con el entrenamiento de la red neuronal
entrenamiento con los datos, informa de funcionamiento del proceso. Normalmente,
la red mejora cada vez más según evoluciona el entrenamiento, ya
que NeuralTools genera redes que hacen mejores predicciones de los
datos con menos errores. Los gráficos se actualizan para mostrar el
progreso de NeuralTools durante el entrenamiento.

El entrenamiento se detiene cuando se alcanza cualquiera de las
condiciones de parada establecidas, como puede ser el tiempo
máximo de entrenamiento. Si ha seleccionado probar
automáticamente la red o predecir los valores de salida que faltan en
el conjunto de datos, esta operación se realizará después del
entrenamiento.


Informes de Los informes de entrenamiento muestran el buen funcionamiento de
entrenamiento la red entrenada. Estadísticas como % de predicciones incorrectas
muestran el número de casos del conjunto de entrenamiento para los
que la red hizo una predicción de un valor de salida que no coincide
con el valor conocido.

26 Introducción

Prueba de una red
Durante la prueba se comprueba la red neuronal entrenada para ver
cómo realiza la predicción de los valores de salida conocidos. Los
datos de prueba son normalmente un subconjunto de los datos
históricos con valores de salida conocidos. Este subconjunto no se
utilizan para el entrenamiento de la red.

Cuando los datos de prueba están en un conjunto de datos separado,
NeuralTools empareja las variables del conjunto de datos de prueba
con los datos de entrenamiento. Como sucede con el entrenamiento,
NeuralTools previsualiza la configuración de la prueba antes de
realizarla.


Informes de La prueba (así como las predicciones) se ejecutan mucho más rápido
prueba que el entrenamiento. NeuralTools informa del funcionamiento de la
predicción de las respuestas conocidas de los datos de prueba. Esto
ayuda a ver si la red tendrá un buen funcionamiento haciendo
predicciones cuando se aplique a casos con valores de salida
desconocidos.

28 Introducción

Predicción
El utilidad final de una red neuronal es la predicción. La red
entrenada se aplica a los nuevos casos de los que no se conocen los
valores de salida, pero se quieren predecir. NeuralTools ofrece dos
métodos de predicción: 1) un método por comando para la
predicción de valores de los casos de un conjunto de datos, y 2)
predicción en vivo (sólo en la versión Industrial), en el que los
valores de las variables independientes de un caso de la hoja de
cálculo se pueden entrenar y NeuralTools calcula automáticamente el
valor de salida de la predicción.
Cuando se predicen valores para un grupo de casos de un conjunto de
datos, el cuadro de diálogo Predicción sirve para configurar el
proceso de predicción. Puede hacer la predicción sólo para los casos a
los que le faltan valores de salida y activar la predicción en vivo para
hacer modificaciones en los datos para ver cómo afectan a las
predicciones. Se pueden usar diferentes redes entrenadas para ver la
diferencia entre los valores de la predicción.

Como sucede con el entrenamiento y la prueba, NeuralTools primero
previsualiza los datos y la configuración que se usarán en la
predicción. Luego, las predicciones se envían a la hoja de cálculo de
Excel.


Resultados de la Los valores de salida de la predicción se muestran junto a los casos
predicción para los que se realiza la predicción. En esta pantalla, los valores de la
predicción están en color morado.

Predicción Cuando se activa la predicción en vivo, NeuralTools añade
en vivo automáticamente una fórmula de Excel a la celda en la que se muestra
el valor de la predicción. Esta fórmula genera el valor de predicción;
por lo tanto, si cambia los valores de la variable independiente de un
caso, el valor de la predicción se recalcula automáticamente. Usando
la predicción en vivo puede simplemente escribir los datos de los
nuevos casos directamente en Excel y generar automáticamente una
nueva predicción, sin tener que pasar por el cuadro de diálogo de
Predicción. Por ejemplo, si los valores de la variable independiente de
un caso de la fila 7 de la hoja de cálculo anterior se cambian como se
muestra, el valor de la predicción se actualiza automáticamente.
Como sucede con cualquier celda de una hoja de cálculo, puede hacer
referencia a una celda de predicción en vivo en una fórmula de Excel.

(Nota: La predicción en vivo sólo está disponible en la versión
Industrial).

30 Introducción

Informes y gráficas de NeuralTools
NeuralTools crea informes de resumen y detallados del
entrenamiento, la prueba y la predicción. Los informes de resumen se
muestran en sus propias hojas de cálculo y contienen información
general sobre la prueba o el entrenamiento. El informe detallado
ofrece información caso por caso y se muestra junto a los datos para
los que se genera el informe. Además, la mayoría de la información
del informe de resumen se pueden encontrar en el Informe detallado
como un comentario añadido a la celda de título; esa versión del
informe de resumen se conoce como resumen rápido.

Cada vez que NeuralTools crea una o más gráficas, las coloca con los
informes. Las gráficas se crean en formato de Excel y se pueden
personalizar usando comandos de gráficos estándar de Excel.


Utilidades de NeuralTools
Se proporcionan dos utilidades para administrar la modelación con
redes neuronales en NeuralTools. El Administrador de red neuronal
permite copiar o mover redes neuronales entrenadas entre libros de
trabajo o archivos. La utilidad de Datos que faltan sirve para
identificar y corregir casos de los conjuntos de datos a los que le faltan
datos.

Uso de NeuralTools con StatTools, Solver y
Evolver
NeuralTools ha sido diseñado para su uso con StatTools, el programa
auxiliar estadístico para Excel de Palisade. Ambos productos
comparten el mismo Administrador de conjunto de datos; los
conjuntos de datos definidos en NeuralTools se pueden analizar en
StatTools y viceversa. Con StatTools se pueden calcular estadísticas de
las variables de los conjuntos de datos definidos en NeuralTools junto
con las estadísticas de las predicciones generadas por NeuralTools.
Los informes detallados generados en NeuralTools están disponibles
inmediatamente para su análisis en StatTools; de hecho, aparecen
automáticamente en la lista de conjuntos de datos del Administrador
de conjunto de datos de StatTools. Esto facilita el uso de StatTools
para obtener resultados estadísticos adicionales a los que contienen
los informes de resumen de NeuralTools. Por ejemplo, un informe de
resumen de una prueba incluye un histograma de residuales (definido
como las diferencias entre los valores reales y los de predicción).
Basándose en el histograma, los residuales pueden aparecer como
aproximadamente distribuidos normalmente. Para probar la hipótesis
de una distribución normal, se puede aplicar una de las pruebas de
normalidad de StatTools a la variable Residuales del Informe
detallado. Se ofrece un ejemplo en el archivo “Predicción de edad de
molusco con análisis de StatTools.xls”.
La función de predicción en vivo de NeuralTools facilita la
visualización de el efecto de los cambios de los valores
independientes sobre la predicción. Con la predicción en vivo, se
pueden usar otras funciones disponibles en Excel para explorar la
relación entre las variables independientes y la dependiente.

32 Introducción

Solver – El programa optimizador incorporado de Excel se puede
usar con la función de predicción en vivo de NeuralTools para
calcular los valores de la decisión óptima para las predicciones hechas
con NeuralTools. El archivo “Préstamos para autos con Solver.xls”
incluye un ejemplo. En este ejemplo, se usa una red neuronal para
predecir si el solicitante de un préstamo hará sus pagos a tiempo. Sin
embargo, es posible que la red sólo tenga un nivel de confianza del
60% en la respuesta. El Solver de Excel se puede usar para determinar
una cantidad de préstamo para la que la red tenga una seguridad del
90% de que el individuo hará sus pagos a tiempo. En este caso, el
programa optimizador prueba diferentes cantidades de préstamo
mientras NeuralTools actualiza automáticamente el valor de
probabilidad. Evolver, el programa optimizador basado en algoritmo
genético de Palisade, se puede usar en lugar del Solver para encontrar
la respuesta. A diferencia del Solver, Evolver puede procesar
problemas de optimización en los que hay más de un valor óptimo
local.


Capítulo 3: Guía de referencia
de NeuralTools

Introducción 37

La barra de herramientas de NeuralTools......................................39

Introducción ......................................................................................41
Iconos de los cuadros de diálogo.........................................................42
Referencia de comandos .................................................................43
El comando Administrador de conjunto de datos............................43
El comando Entrenar .............................................................................50
El comando Probar .................................................................................64
El comando Predecir ..............................................................................71
Utilidades...........................................................................................77
El comando Configuraciones de aplicación ......................................77
El comando Administrador de red neuronal.....................................81
El comando Utilidades de reemplazo de datos.................................83



Introducción
El capítulo Guía de referencia de NeuralTools describe los iconos,
comandos y funciones estadísticas que utiliza NeuralTools. Este
capítulo está dividido en dos secciones:

1) Referencia: Iconos de NeuralTools
2) Referencia: Comandos del menú de NeuralTools


Referencia: Iconos de
NeuralTools
La barra de herramientas de NeuralTools
Los iconos de NeuralTools se usan para definir conjuntos de datos
con los casos y variables para luego crear y usar redes neuronales
sobre esos datos. Los iconos de NeuralTools aparecen en la barra de
herramientas de Excel (como barra de herramientas personalizada de
Excel) en Excel 2003 y versiones anteriores y en una cinta en Excel
2007. Esta sección describe brevemente cada icono, explicando las
funciones que realizan y los comandos de menú equivalentes. En
Excel 2007, todos los comandos están disponibles a través de la cinta
de NeuralTools.
Los siguientes iconos aparecen en la barra de herramientas de
NeuralTools en Excel 2003 y versiones anteriores y/o en los cuadros
de diálogo de NeuralTools.

Icono Función y comando equivalente
Define un conjunto de datos y variables, o edita y elimina
conjuntos de datos o variables existentes
Comando equivalente: Comando Administrador de conjunto de
datos

Entrena una red neuronal
Comando equivalente: Comando Entrenar

Prueba una red neuronal
Comando equivalente: Comando Probar

Predice valores usando una red entrenada
Comando equivalente: Comando Predecir

Ejecuta las utilidades para redes neuronales
Comando equivalente: Comando Utilidades

Muestra el archivo de ayuda de NeuralTools
Comando equivalente: Comando Ayuda


Los siguientes iconos aparecen en la cinta de NeuralTools en Excel
2007.

Icono Función y comando equivalente
Define un conjunto de datos y variables, o edita y elimina
conjuntos de datos o variables existentes
Comando equivalente: Comando Administrador de conjunto de
datos

Entrena una red neuronal
Comando equivalente: Comando Entrenar

Prueba una red neuronal
Comando equivalente: Comando Probar

Predice valores usando una red entrenada
Comando equivalente: Comando Predecir

Ejecuta las utilidades para redes neuronales
Comando equivalente: Comando Utilidades

Muestra el archivo de ayuda de NeuralTools
Comando equivalente: Comando Ayuda

40

Referencia: Comandos del
menú de NeuralTools

Introducción
En esta sección de la Guía de referencia de se describen con detalle los
comandos de NeuralTools disponibles tal y como aparecen en el
menú o la cinta de NeuralTools de Excel. Los comandos se describen
en el orden en que aparecen en el menú, comenzando con el comando
Administrador de conjunto de datos y siguiendo hacia abajo en el
menú. Los iconos de NeuralTools se pueden utilizar para ejecutar
muchos de los comandos del programa. En la sección Referencia:
Iconos de NeuralTools de este capítulo se indican los comandos
equivalentes a los iconos de NeuralTools.


Iconos de los cuadros de diálogo
Pueden aparecer hasta dos iconos –el icono Ayuda y el icono
Configuraciones de aplicación– en los cuadros de diálogo de
NeuralTools. El icono Ayuda permite acceder rápidamente al tema de
ayuda del cuadro de diálogo correspondiente. El icono
Configuraciones de aplicación abre el cuadro de diálogo
Configuraciones de aplicación en el que podrá introducir o editar las
configuraciones de los informes de NeuralTools, así como las
configuraciones predeterminadas de Entrenamiento, Predicción y
Tiempo de ejecución.

42 Introducción

Referencia de comandos
El comando Administrador de conjunto de datos

Define conjuntos de datos y variables de NeuralTools, o edita y
elimina conjuntos de datos o variables existentes

El Administrador de conjunto de datos permite definir los conjuntos
de datos con los casos y variables. Una vez definidos los conjuntos de
datos, se pueden usar para entrenar, probar y hacer predicciones con
las redes neuronales. El cuadro de diálogo Administrador de conjunto
de datos permite añadir o quitar conjuntos de datos, poner nombre a
un conjunto de datos, especificar el diseño de las variables de un
conjunto de datos y poner nombre a las variables de un conjunto de
datos.
¿Qué son NeuralTools se estructura en casos y variables. Se trabaja con un
conjuntos de conjunto de datos, o un conjunto de variables estadísticas, que se
datos y variables?
encuentran en columnas contiguas de una hoja de cálculo de Excel
con los nombres de las variables en la primera fila del conjunto de
datos. Cada fila del conjunto de datos es un caso. Cada caso tiene un
conjunto de valores de variable independiente y un valor conocido o
que falta para la variable de salida dependiente.
Cada variable del conjunto de datos tiene asociado un nombre y un
rango de celdas de Excel. Un conjunto de datos puede incluir
múltiples bloques de celdas, lo cual permite poner los datos en
diferentes hojas de un mismo libro de trabajo.
Cuando se definen conjuntos de datos, NeuralTools trata de
identificar las variables en el bloque de celdas que rodean a la
selección actual de Excel. Esto puede facilitar la configuración del
conjunto de datos con nombres de variable en la fila superior y las
variables distribuidas en columnas.


El cuadro de
diálogo
Administrador de
conjunto de datos

Las opciones de Conjunto de datos del cuadro de diálogo
Administrador de conjunto de datos son:
• Nuevo, Eliminar – Añade un nuevo conjunto de datos o
elimina uno existente.
• Nombre – Especifica el nombre del conjunto de datos.
• Rango de Excel – Especifica el Rango de Excel asociado con el
conjunto de datos. Si se han asignado múltiples rangos de
celda al conjunto de datos, esta opción va precedida de la
palabra Múltiple.
• Aplicar formato de celda – Añade una cuadrícula y colores
que identifican los conjuntos de datos.
• Múltiple – Haga clic en el botón Múltiple en el cuadro de
diálogo Administrador de conjunto de datos para abrir el
cuadro de diálogo Selector de múltiples rangos. Este cuadro
de diálogo permite la introducción de los rangos de celda
individuales que componen el conjunto de datos de múltiples
rangos de celda.

44 Referencia de comandos

• Importar – Permite copiar tipos de variables a este conjunto
de datos desde otro conjunto de datos o red neuronal
entrenada. El cuadro de diálogo Importar tipos de variables
permite seleccionar la ubicación y la red a usar para las
definiciones de variables.

Conjuntos de NeuralTools permite asignar múltiples rangos de celda de diferentes
datos de rangos hojas de cálculo a un solo conjunto de datos. Se puede usar un
múltiples
conjunto de datos de múltiples rangos cuando:
1) Cada variable del conjunto de datos tiene más de 65,536 puntos
de datos en Excel 2003 o versiones anteriores, lo cual requiere que
el conjunto de datos se extienda a múltiples hojas de cálculo de
un mismo libro de trabajo,
2) Los datos de una variable se encuentran en múltiples bloques
dispersos por las hojas de cálculo del libro de trabajo.

Nota: Un conjunto de datos de múltiples rangos no se puede definir
dentro de una sola hoja de cálculo. Se pueden definir en múltiples
hojas de cálculo dentro de un mismo libro de trabajo.


Las opciones del cuadro de diálogo Definición de conjunto de datos
de rango múltiple son:

• Borra todo – Borra todos los rangos introducidos.

• Llenar auto – Aplica el primer rango introducido (en la fila 1)
a todas las hojas de cálculo visibles del libro de trabajo activo,
e introduce estas referencias de NombreDeHoja!RangoDeCeldas
en la cuadrícula

• Seleccionar – Muestra un selector para destacar el bloque de
celdas que se usará como Rango del Conjunto de datos.
• Los rangos secundarios tienen nombres de variables en la
primera columna (fila) – Los conjuntos de datos de múltiples
rangos pueden tener nombres de variables identificando cada
columna de cada rango incluido en el cuadro de diálogo, o
nombres de variables identificando las columnas sólo en el
primer rango seleccionado. El primer rango seleccionado es el
rango introducido en la fila 1 del cuadro de diálogo
Definición de conjunto de datos de rango múltiple.


Opciones de Cada fila de la cuadrícula del cuadro de diálogo Administrador de
variables conjunto de datos incluye las variables del conjunto de datos,
incluyendo el Rango de datos de Excel que contiene los puntos de
datos de una variable, el Nombre de variable y el Tipo de variable.

Las opciones de Tipo de variable son:
• Categoría dependiente – Variable dependiente o de salida
cuyos valores posibles se toman de un conjunto de posibles
categorías; por ejemplo Sí o No, o Rojo, Verde o Azul.
• Numérica dependiente – Variable dependiente o de salida
cuyos posibles valores son numéricos.
• Categoría independiente – Variable independiente cuyos
valores posibles se toman de un conjunto de posibles
categorías; por ejemplo Sí o No, o Rojo, Verde o Azul.
• Numérica independiente – Variable independiente cuyos
posibles valores son numéricos.
• Etiqueta – Una variable cuyos posibles valores son
“entrenar”, “probar” o “predecir”. Este tipo de variable se usa
para identificar casos de un conjunto de datos que se usarán
para entrenamiento, prueba o predicción.
• Sin usar – Una variable de un conjunto de datos que no se
usará en la red neuronal.

Información Las variables de Etiqueta son un tipo especial de variables de la base
adicional sobre de datos de NeuralTools que se usan para marcar los casos de un
las variables de
Etiqueta
conjunto de datos que se usarán para entrenamiento, prueba o
predicción. Son especialmente útiles si quiere incluir todos los datos
(que se usarán en el entrenamiento, prueba y predicción de una red)
sean de un solo conjunto de datos. Cuando hay una variable de
etiqueta, NeuralTools selecciona los casos que se van a usar para
entrenamiento, prueba o predicción, según el valor de la variable de
etiqueta. Al cambiar los valores de la variable de etiqueta se puede
entrenar de nuevo una red usando diferentes casos y ver cómo
cambia el funcionamiento de una red. También puede añadir nuevos
casos con valores de variable dependiente desconocidos a un conjunto
de datos y asignar su predicción con la etiqueta “Predecir”. La
variable de Etiqueta sólo puede tomar tres valores diferentes:
• Entrenar – Especifica que el caso se usará para
entrenamiento
• Probar – Especifica que el caso se usará para probar
• Predecir – Especifica que el caso se usará para predecir

Nota: Si tiene una variable de etiqueta en el conjunto de datos,
cambiarán las opciones del cuadro de diálogo Entrenar. Para obtener
más información, consulte el comando Entrenar.


Capacidad de En una sola sesión, NeuralTools permite usar:
conjuntos de
datos y variables Hasta 256 conjuntos de datos, ubicados en un solo libro de trabajo.
Hasta 16384 variables por conjunto de datos en Excel 2007 (256
variables en versiones anteriores de Excel). Todos los datos de un solo
conjunto de datos deben estar en el mismo libro de trabajo.
El número de puntos de datos por variable y de casos por conjunto de
datos sólo está limitado por la memoria disponible en Excel 2007
(16,777,216 puntos de datos en versiones anteriores de Excel).
Las capacidades reales de datos pueden ser menores que las indicadas
dependiendo de la configuración del sistema y de la versión de Excel
que utilice. La capacidad de datos también se puede ver afectada por
las limitaciones de memoria del propio Excel.

Nota: El cuadro de diálogo Administrador de conjunto de datos
indica todos los conjuntos de datos y variables del libro de trabajo
activo (es decir, del libro de trabajo que se indica en el nombre del
cuadro de diálogo Administrador de conjunto de datos). Para ver
conjuntos de datos de otros libros de trabajo, active el libro de
trabajo deseado en Excel y abra el cuadro de diálogo Administrador
de conjunto de datos.


El comando Entrenar

Especifica las configuraciones para el entrenamiento de una red
neuronal y ejecuta el entrenamiento

El comando Entrenar permite 1) especificar las configuraciones que se
van a usar para el entrenamiento de una red neuronal en NeuralTools
y 2) inicia el entrenamiento de una red.

La pestaña La pestaña Entrenar del cuadro de diálogo Entrenamiento especifica
Entrenar las opciones generales de entrenamiento de una red neuronal. Esto
incluye lo siguiente:
• Conjunto de datos – Muestra el conjunto de datos que se va a
usar para entrenar la red neuronal. Este conjunto de datos
debe definirse usando el Administrador de conjunto de datos
y debe estar presente en la hoja activa.
• Guardar red como – Especifica el nombre y la ubicación de
las redes neuronales entrenadas. Las redes neuronales se
pueden guardar en un libro de trabajo de Excel o en un
archivo del disco. Haga clic en Buscar… para cambiar el
nombre o la ubicación.


También puede introducir un nombre y una descripción para la red
neuronal guardada.
Las opciones Cuando el entrenamiento se complete permiten probar
y predecir automáticamente usando la red entrenada después del
entrenamiento. Esto se puede hacer cuando los datos de la prueba y
predicción se encuentran en el mismo conjunto de datos que los datos
de entrenamiento.
• Probar automáticamente – Especifica que:
1) un % de casos del conjunto de datos que se “apartarán”
automáticamente del entrenamiento para su posterior
uso en la prueba
2) los casos en los que la variable Etiqueta = “probar” se
usarán para la prueba. Las variables de Etiqueta son un
tipo de variable especificado en el Administrador de
conjunto de datos.
• Predecir automáticamente los valores dependientes que
faltan – Especifica que la red entrenada se usará para predecir
valores de variable dependiente de:
1) casos en los que falta el valor de la variable dependiente,
o
2) casos en los que la variable Etiqueta = “predecir”. Las
variables de Etiqueta son un tipo de variable
especificado en el Administrador de conjunto de datos.


• Activar predicción en vivo – Especifica que NeuralTools
colocará fórmulas en las celdas en las que aparecen los
valores de la predicción de la variable dependiente para
calcular los valores de la predicción. Para obtener más
información sobre la predicción en vivo, consulte el comando
Predecir en este mismo capítulo.
• Calcular impactos de variable – Especifica que NeuralTools
calcule el impacto relativo de cada variable independiente del
conjunto de datos de entrenamiento al determinar las
predicciones calculadas por la red.
¿Qué es un El propósito de un análisis de Impacto de variable es medir la
análisis de sensibilidad de las predicciones de la red al cambio de las variables
impacto de una
variable?
independientes. Este análisis sólo se hace en los datos de
entrenamiento. Como resultado del análisis, se asigna a cada variable
independiente un valor “Impacto relativo de variable”; es decir,
valores porcentuales que suman el 100%. Cuanto más bajo sea el valor
del porcentaje, menos efecto tendrá la variable sobre las predicciones.
Los resultados del análisis pueden ayudar a seleccionar un nuevo
conjunto de variables independientes que haga predicciones más
exactas. Por ejemplo, una variable con un valor de impacto bajo se
puede sustituir por alguna otra nueva variable. Sin embargo, debe
recordarse que los resultados del Análisis de impacto son relativos a
una red determinada. El hecho de que una red haya “aprendido” a
descartar una variable determinada hace más probable que otra red
también “aprenda” a descartarla, si bien otra sesión de entrenamiento
con un tipo diferente de red podría “descubrir” que la variable puede
contribuir significativamente a la exactitud de las predicciones. En los
conjuntos de datos con números reducidos de casos y /o números
elevados de variables, las diferencias del impacto relativo de las
variables entre redes entrenadas pueden ser más pronunciadas.
Además, es importante recordar que estos valores son “relativos”.
Supongamos que con dos variables independientes, a una se le asigna
un 99% y a otra un 1%. Esto significa que la segunda es mucho menos
importante que la primera, pero no quiere decir que no sea
importante, especialmente si se desea un alto nivel de precisión de las
predicciones.


Los siguientes son cuestiones adicionales que conviene recordar sobre
el Análisis de impacto de variable:
1) Sólo se incluye en el análisis el conjunto de datos de
entrenamiento. (Si se usa Auto-Prueba o Auto-Predicción, esos
casos no se incluyen. La motivo es que pueden tener valores
numéricos fuera del rango de entrenamiento, lo cual puede
generar resultados de análisis más impredecibles).
2) En el caso de variables independientes de categoría, el análisis
procesa todas las categorías válidas de esa variable en cada caso, y
mide el cambio en el valor de predicción. (En las predicciones de
categoría no hay valores numéricos de predicción, pero hay
salidas numéricas de red en las que se basa la predicción de
categoría; el análisis usa esas salidas numéricas).
3) En el caso de una variable independiente numérica, el análisis
procesa en cada caso el rango del valor de entrenamiento del
mínimo al máximo, midiendo el cambio del valor de predicción
(o, en el caso de una predicción de categoría, el cambio de las
salidas numéricas).
El propósito del Análisis de impacto de variable no es el respaldo de
conclusiones firmes, como la afirmación con un alto nivel de
confianza de que una variable es irrelevante. Más bien sirve para
ayudar a buscar el mejor conjunto de variables independientes: los
resultados del análisis pueden indicar que una variable determinada
parece suficientemente irrelevante como para que valga la pena
intentar entrenar una red sin esta variable.


Los resultados del Análisis de impacto de variable se muestran en el
informe Resumen de entrenamiento:


La pestaña La pestaña Configuración de red del cuadro de diálogo
Configuración Entrenamiento permite seleccionar el tipo de red neuronal que se
de red
entrenará con los datos. Puede seleccionar una configuración de red
específica o seleccionar una búsqueda de Mejor red en la que
NeuralTools probará diferentes configuraciones posibles para
identificar la que mejor funcionamiento tenga.
NeuralTools respalda diferentes configuraciones de red neuronal para
obtener las mejores predicciones posibles. Par la predicción de
clasificación /categoría, hay disponibles dos tipos de redes: Redes
neuronales probabilísticas (PN) y Redes multinivel siempre hacia
adelante (MLF). La predicción numérica se puede realizar usando
redes MLF, así como Redes neuronales de regresión generalizada
(GRN), que están estrechamente relacionadas con las redes PN. Para
obtener más información sobre los aspectos técnicos de las
configuraciones de red disponibles, consulte la sección Información
adicional sobre redes neuronales.


La pestaña Configuración de red incluye lo siguiente:
• Tipo de red – Selecciona el tipo de red que se usará en el
entrenamiento o la búsqueda de la Mejor red. Las Opciones de
la pestaña Configuración de red cambian dependiendo del tipo
de red seleccionado. Los tipos de redes disponibles son:
1) Búsqueda de mejor red. En la Búsqueda de mejor red,
NeuralTools prueba todas las configuraciones de red
marcadas, incluyendo las redes PN/GRN y MLF con
cuentas de nodos dentro del rango mínimo-máximo
introducido. La configuración que tenga mejor
funcionamiento para los datos se identifica basándose en
el error obtenido en los datos de la prueba. Si selecciona
Almacenar todas las redes de prueba en un libro de
trabajo nuevo, podrá cargar individualmente cada una
de las redes probadas (independientemente de si fue la
red con mejor funcionamiento) del libro de trabajo y
usarla para hacer una predicción después de completar el
entrenamiento; también hay disponible un Informe de
resumen completo para cada red.
2) Red PN/GRN. Estos tipos de redes no requieren la
selección de opciones adicionales para el entrenamiento;
por esta razón esta configuración es la predeterminada
cuando se instala NeuralTools. Si los datos tienen valores
de salida numéricos, se entrenará una red GRN, y si los
datos tienen valores de salida de categoría se entrenará
una red PN.


3) Red MLF. Las Redes multinivel siempre hacia adelante
(MLF) tienen uno o dos niveles de nodos ocultos.

Si selecciona cero nodos para el segundo nivel, éste se
eliminará. La forma más fiable de encontrar la mejor
configuración de una red MLF es usar la opción
Búsqueda de mejor red en lugar de la opción de entrenar
una sola red MLF. Si no hay tiempo suficiente para una
Búsqueda de mejor Red, se recomienda que los valores
“Número de nodos” se dejen en “Automático”.
La pestaña La pestaña Tiempo de ejecución del cuadro de diálogo
Tiempo de Entrenamiento permite introducir condiciones de parada del
ejecución
entrenamiento. Si no selecciona ninguna condición de parada, el
entrenamiento acabará deteniéndose; el periodo de tiempo será
relativamente corto para las redes PN/GRN, y mucho más largo para
las redes MLF. Un posible método es no seleccionar condiciones de
parada y hacer clic en el botón Parar del cuadro de diálogo de
progreso del entrenamiento cuando no tenga más tiempo para
entrenamiento. Con la Búsqueda de mejor red se debe definir un
límite de tiempo para el entrenamiento de una sola red, para asegurar
que el algoritmo de búsqueda no dedica demasiado tiempo a una
configuración determinada. Las tres condiciones de parada
disponibles se pueden combinar para especificar que NeuralTools
pare cuando se cumpla cualquiera de las condiciones.


Las opciones de Tiempo de ejecución de entrenamiento son:
• Tiempo – Especifica un límite fijo de tiempo para el
entrenamiento de una sola red. El entrenamiento se puede
parar antes del periodo especificado, en cuanto el algoritmo
determina que es poco probable seguir progresando. Si usa una
búsqueda de Mejor red, cada configuración de red probada se
entrenará durante el tiempo introducido.
• Pruebas – Especifica que NeuralTools no ejecutará más de un
número especificado de pruebas antes de parar. Con las Redes
multinivel siempre hacia adelante, una “prueba” es una sola
asignación de “pesos” a las conexiones entre neuronas; el
entrenamiento consiste en una búsqueda inteligente de pesos
que generen las mejores predicciones. Con las Redes
neuronales probabilísticas y las Redes neuronales de regresión
generalizada, una prueba es una asignación de “factores de
suavización” para las variables. El entrenamiento consiste en
una búsqueda de los mejores factores de suavización.
• Progreso – Especifica que NeuralTools parará si no puede
mejorar la estadística de error al menos el porcentaje
introducido dentro de un tiempo especificado.


Cuadro de diálogo El cuadro de diálogo Previsualización de entrenamiento muestra la
Previsualización configuración del entrenamiento actual de la red junto con cualquier
de entrenamiento
error detectado en los datos, antes de iniciarse el entrenamiento.
Examinando el contenido de este cuadro de diálogo podrá ver todas
las presuposiciones de entrenamiento seleccionadas según están en
NeuralTools. La sección Errores y advertencias ofrece una
descripción de cualquier problema detectado por NeuralTools en los
datos o en las configuraciones, que podrá corregir si fuera necesario
antes de dedicar tiempo al entrenamiento.


La ventana de La ventana de progreso del entrenamiento informa del estado de
progreso del entrenamiento de la red durante su ejecución. Los gráficos detallan el
entrenamiento
funcionamiento de NeuralTools durante la mejora de la red y la
reducción de los errores generados.
La ventana de progreso del entrenamiento informa de los errores en
los datos de entrenamiento. La observación de cambios en este valor
no debe llevar a ninguna conclusión sobre la calidad de las
predicciones que la red hará de los casos no utilizados en el
entrenamiento. Las conclusiones deben basarse en el error obtenido
en los datos de entrenamiento. Además, recuerde que con
predicciones numéricas, el error que aparece en la ventana de
progreso es el error cuadrático medio basado en datos a escala
(consulte la información sobre escala en la sección “Transformación
de entradas”). En las predicciones de categoría, el error que aparece es
una representación numérica de los datos de categoría.


Informes de Después del entrenamiento se pueden crear informes de resumen y
entrenamiento detallados. Estos informes detallan el funcionamiento de la red
neuronal entrenada. El contenido de los informes generados se
especifica en el cuadro de diálogo Configuraciones de aplicación, en
las configuraciones Informes a generar y Columnas en los informes
detallados.
• Informe de resumen de entrenamiento – El informe de
resumen de entrenamiento ofrece estadísticas y gráficos sobre
el funcionamiento de la red neuronal entrenada.


En la predicción de categoría/clasificación, las estadísticas y gráficas
clave del informe de resumen de entrenamiento son las siguientes:
1) % de predicciones incorrectas – El porcentaje de casos para
los que la categoría de la predicción no coincide con la
categoría real.
2) Probabilidad incorrecta media (sólo disponible para las
redes PN) – NeuralTools calcula la Probabilidad de categorías
incorrectas en cada caso, que es la suma de las probabilidades
asignadas por la red PN a categorías incorrectas. Por ejemplo,
si en un caso determinado la red asigna un 30% de
probabilidad al rojo, un 20% al amarillo y un 50% al verde, y
sabemos que la respuesta correcta es rojo, entonces el valor
para ese caso es 20% + 50% = 70%. Este valor proporciona una
medida de error caso por caso para la predicción de categoría,
correspondiente al Error residual en la predicción numérica.
La “Probabilidad incorrecta media” es el valor de error
promedio de todos los casos.
Los informes detallados muestran la Probabilidad Incorrecta
caso por caso, y para comprender mejor el concepto puede
cambiar las configuraciones del Informe detallado para
mostrar las probabilidades asignadas por la Red neuronal
probabilística a cada posible categoría de la variable
dependiente. Para hacerlo, seleccione Configuraciones de
aplicación en el menú Utilidades y haga clic en el menú
desplegable situado a la derecha de la fila Columnas en los
informes detallados. Aparecerá el cuadro de diálogo
NeuralTools – Columnas a mostrar en los informes
detallados. En ese cuadro de diálogo seleccione
Probabilidades de todas las categorías (para PN) para la
Prueba. Luego, entrene la red PN con el conjunto de datos con
al menos 3 categorías en la variable dependiente (puede usar
el archivo de ejemplo Préstamos para autos.xls) con la opción
Probar automáticamente seleccionada. En el informe
detallado resultante, observe la relación entre los valores de la
columna % Incorrecto y las probabilidades asignadas a cada
posible categoría; el % Incorrecto es la suma de las
probabilidades de todas las categorías incorrectas.
3) Matriz de clasificación – Compara las categorías reales y las
de predicción por cada categoría. Por ejemplo, la matriz de
clasificación puede revelar que la red detecta correctamente
una condición médica en pacientes que la tienen, pero tiene
cierta tendencia a levantar falsas alarmas en pacientes sanos.


4) Impactos de variable – Cuando se selecciona, muestra el
impacto relativo de las variables independientes sobre las
respuesta de la predicción.
5) Histograma de probabilidad de categorías incorrectas (sólo
disponible en las redes PN) – Consulte el punto anterior
“Probabilidad incorrecta media” para ver la explicación de la
“Probabilidad de categorías incorrectas”.
En la predicción numérica, las estadísticas y gráficas clave del informe
de resumen de entrenamiento son las siguientes:
1) % de predicciones incorrectas – Una predicción cuenta como
“incorrecta” si se encuentra fuera del margen definido
alrededor del valor; el ancho del margen se define en la
configuración “Tolerancia correcta / incorrecta
(entrenamiento)” del cuadro de diálogo Configuraciones de
aplicación.
2) Error cuadrático medio – Una medida de desviación de las
predicciones con respecto al valor (calculado como la raíz
cuadrada de la desviación promedio al cuadrado).
3) Error absoluto medio – Desviación promedio de las
predicciones con respecto a los valores.
4) Impactos de variable – Cuando se selecciona, muestra el
impacto relativo de las variables independientes sobre las
respuesta de la predicción.
5) Histograma de residuales – “Residual” es la diferencia que
hay entre el valor real y el de la predicción.
6) Diagramas de dispersión que muestran las relaciones entre
los valores reales, los valores de predicción y los residuales.


El comando Probar

Especifica las configuraciones para la prueba de una red
neuronal entrenada y ejecuta la prueba

El comando Probar permite 1) especificar las configuraciones que se
van a usar para la prueba de una red neuronal entrenada e 2) iniciar la
prueba.

Los datos de la prueba son normalmente los datos con valores de
salida conocidos que no se usaron en el entrenamiento de la red. Las
opciones del cuadro de diálogo Probar son:
usar para probar la red neuronal entrenada. Este conjunto de
datos debe definirse usando el Administrador de conjunto de
datos y debe estar presente en la hoja de cálculo activa.
• Red a usar – Especifica el nombre y la ubicación de la red
neuronal que se va a probar. Las redes neuronales se pueden
guardar en un libro de trabajo de Excel o en un archivo del
disco. Haga clic en Buscar… para cambiar el nombre o la
ubicación.


Asignación de Asignación de variables Especifica cómo se emparejarán las variables
variables del conjunto de datos que se va a probar con las variables del
conjunto de datos que se usó para el entrenamiento de la red.

Para la asignación de variables hay dos opciones:
1) Asignación automática. Los nombres de variables de los
datos de prueba se asignan según el nombre con los del
conjunto de datos de la red entrenada, y los tipos de
variable se establecen basándose en esta asignación
2) Asignación personalizada. La asignación personalizada
permite establecer individualmente la asignación de
variables del conjunto de datos de prueba con las del
conjunto de datos de la red entrenada. Esto se hace
cuando los nombres de las variables son diferentes en dos
conjuntos de datos o cuando se desea hacer asignaciones
diferentes.

El cuadro de diálogo Asignación de variables contiene los nombres de
las variables de cada conjunto de datos para facilitar su asignación.
Sólo se pueden emparejar variables de un mismo tipo. Cada vez que
se hace un emparejamiento, las asignaciones realizadas se guardan
con el conjunto de datos. Haciendo clic en Cargar asignación anterior,
puede ver todas las asignaciones hechas anteriormente y acceder a
una serie de asignaciones anteriores para el conjunto de datos.

Cuadro de diálogo El cuadro de diálogo Previsualización de prueba muestra la
Previsualización configuración de la prueba actual de la red junto con cualquier error
de prueba
detectado en los datos, antes de iniciarse la prueba. Examinando el
contenido de este cuadro de diálogo podrá ver todas las
presuposiciones de la prueba seleccionadas según están en
NeuralTools. La sección Errores y advertencias ofrece una
descripción de cualquier problema detectado por NeuralTools en los
datos que podrá corregir si fuera necesario antes de hacer la prueba.


Informes de Después de la prueba se pueden crear informes de resumen y
prueba detallados. Estos informes detallan el funcionamiento de la red
neuronal entrenada con el conjunto de datos de prueba. El contenido
de los informes generados se especifica en el cuadro de diálogo
Configuraciones de aplicación, en las configuraciones Informes a
generar y Columnas en los informes detallados. El informe detallado
resulta especialmente útil con la prueba, ya que muestra el
funcionamiento de la red entrenada a la hora de predecir valores de
salida individuales del conjunto de datos de prueba.
• Informe de resumen de prueba – El informe de resumen de
prueba ofrece estadísticas y gráficos sobre el funcionamiento de la
red neuronal entrenada con el conjunto de datos de prueba.


En la predicción de categoría, las estadísticas y gráficas clave del
informe de resumen de prueba son las siguientes:
1) % de predicciones incorrectas – El porcentaje de casos para
los que la categoría de la predicción no coincide con la
categoría real.
2) Probabilidad incorrecta media (sólo disponible para las redes
PN) – NeuralTools calcula la Probabilidad de categorías
incorrectas en cada caso, que es la suma de las probabilidades
asignadas por la red PN a categorías incorrectas. Por ejemplo,
si en un caso determinado la red asigna un 30% de
probabilidad al rojo, un 20% al amarillo y un 50% al verde, y
sabemos que la respuesta correcta es rojo, entonces el valor
para ese caso es 20% + 50% = 70%. Este valor proporciona una
medida de error caso por caso para la predicción de categoría,
correspondiente al Error residual en la predicción numérica.
La “Probabilidad incorrecta media” es el valor de error
promedio de todos los casos.
Los informes detallados muestran la Probabilidad Incorrecta
caso por caso, y para comprender mejor el concepto puede
cambiar las configuraciones del Informe detallado para
mostrar las probabilidades asignadas por la Red neuronal
probabilística a cada posible categoría de la variable
dependiente. Para hacerlo, seleccione Configuraciones de
aplicación en el menú Utilidades y haga clic en el menú
desplegable situado a la derecha de la fila Columnas en los
informes detallados. Aparecerá el cuadro de diálogo
NeuralTools – Columnas a mostrar en los informes
detallados. En ese cuadro de diálogo seleccione
Probabilidades de todas las categorías (para PN) para la
Prueba. Luego, entrene la red PN con el conjunto de datos con
al menos 3 categorías en la variable dependiente (puede usar
el archivo de ejemplo Préstamos para autos.xls) con la opción
Probar automáticamente seleccionada. En el Informe
detallado resultante, observe la relación entre los valores de la
columna % Incorrecto y las probabilidades asignadas a cada
posible categoría; el % Incorrecto es la suma de las
probabilidades de todas las categorías incorrectas.
3) Matriz de clasificación – Compara las categorías reales y las
de predicción por cada categoría. Por ejemplo, la matriz de
clasificación puede revelar que la red detecta correctamente
una condición médica en pacientes que la tienen, pero tiene
cierta tendencia a levantar falsas alarmas en pacientes sanos.

4) Histograma de probabilidad de categorías incorrectas (sólo
disponible en las redes PN) – Consulte el punto anterior
“Probabilidad incorrecta media” para ver la explicación de la
“Probabilidad de categorías incorrectas”.
En la predicción numérica, las estadísticas y gráficas clave del informe
de resumen de prueba son las siguientes:
1) % de predicciones incorrectas – Una predicción cuenta como
“incorrecta” si se encuentra fuera del margen definido
alrededor del valor; el ancho del margen se define en la
configuración “Tolerancia correcta / incorrecta (prueba)” del
cuadro de diálogo Configuraciones de aplicación.
2) Error cuadrático medio – Una medida de desviación de las
predicciones con respecto al valor (calculado como la raíz
cuadrada de la desviación promedio al cuadrado).
3) Error absoluto medio – Desviación promedio de las
predicciones con respecto a los valores.
4) Histograma de residuales – “Residual” es la diferencia que
hay entre el valor real y el de la predicción.
5) Diagramas de dispersión que muestran las relaciones entre
los valores reales, los valores de predicción y los residuales.
• Informe detallado de prueba. Este informe se coloca junto al
conjunto de datos de prueba y muestra el funcionamiento de la
red entrenada a la hora de predecir valores de salida individuales
del conjunto de datos de prueba.


En el informe detallado de prueba, las predicciones se marcan como
“Correctas” o “Incorrectas” basándose en el nivel de tolerancia
establecido en el cuadro de diálogo Configuraciones de aplicación. Si
ejecuta múltiples pruebas, los Informes Detallados se pueden añadir
en nuevas columnas a la derecha del conjunto de datos de prueba,
para que pueda ver cómo cambian las predicciones en cada caso
individual por cada prueba de las nuevas redes entrenadas.
Resúmenes Mientras examina el Informe detallado, puede acceder rápidamente a
rápidos de los la información del Informe de resumen mediante un comentario
informes
detallados
desplegable que aparece en Excel. Sólo tiene que pasar el ratón sobre
el encabezamiento del informe para que aparezca el comentario
desplegable. Nota: Para que los comentarios desplegables aparezcan,
la función de comentarios debe activarse en la pestaña Visualización
de Excel.


El comando Predecir

Especifica las configuraciones de los valores de la predicción
realizada con una red neuronal entrenada y ejecuta la predicción

El comando Predecir permite 1) especificar las configuraciones que
se van a usar para la predicción con una red neuronal entrenada y
2) ejecutar la predicción.

Los datos a predecir normalmente son casos con valores de variable
dependiente desconocidos. Las opciones del cuadro de diálogo
Predicción son:
usar para la predicción. Este conjunto de datos debe definirse
usando el Administrador de conjunto de datos y debe estar
presente en la hoja de cálculo activa.
• Red a usar – Especifica el nombre y la ubicación de la red
neuronal que se va a usar para la predicción. Las redes
neuronales se pueden guardar en un libro de trabajo de Excel
o en un archivo del disco. Haga clic en Buscar… para cambiar
el nombre o la ubicación.
• Asignación de variables – Especifica cómo se emparejarán las
variables del conjunto de datos de predicción con las
variables del conjunto de datos que se usó para el
entrenamiento de la red. Haga clic en Editar… para cambiar
la asignación de variables. Para obtener más información


sobre la Asignación de variables, consulte el comando
Probar en este mismo capítulo.
• Predecir para – Seleccione los casos para los que se va a hacer
la predicción. Normalmente se selecciona la predicción de
Casos con valores dependientes que faltan, pero si lo desea
puede hacer predicciones de Todos los casos (incluso
aquellos en los que el valor de la variable dependiente es
conocido). Si tiene una variable de Etiqueta en el conjunto de
datos, sólo se hará la predicción de los valores de variable
dependiente para los Casos con etiqueta "predecir".
• Opciones – Establece la ubicación del valor de la predicción y
las opciones de predicción en vivo.
1) Colocar valores de predicción en el conjunto de datos.
Esta opción especifica que los valores de la predicción se
coloquen en la ubicación de la variable dependiente del
conjunto de datos para cada caso de la predicción,
además de colocarse posiblemente en el Informe
detallado (dependiendo de si los Informes Detallados
están seleccionados en la configuración Informes a
generar de las Configuraciones de aplicación). Esta
opción sustituirá el contenido actual de la celda, por lo
que debe usarse con cuidado. Podrá identificar los valores
de predicción por su color en el conjunto de datos.
2) Activar predicción en vivo – Especifica que NeuralTools
colocará fórmulas en las celdas en las que aparecen los
valores de la predicción de la variable dependiente. Estas
fórmulas permiten a NeuralTools calcular los valores de
la predicción cuando se cambian los valores
independientes.
3) Excluir predicción en vivo para casos con valores que
faltan o no válidos – Especifica que la fórmula de
predicción en vivo no se añada cuando falten los valores
de la variable de entrada de un caso. Los valores de
entrada que faltan generan un valor de error en las
fórmulas de predicción en vivo. Sin embargo, puede ser
útil permitir que NeuralTools introduzca fórmulas en
casos en los que falten los valores independientes, porque
en cuanto se introduzcan los valores que faltan, la
predicción aparecerá automáticamente.


Predicción en Predicción en vivo es una eficaz función de NeuralTools (sólo en la
vivo versión Industrial) que permite realizar predicciones
automáticamente en Excel sin tener que realizar una operación de
Predicción específica. Con la predicción en vivo, NeuralTools coloca
fórmulas en las celdas en las que aparecen los valores de la predicción
de la variable dependiente. Estas fórmulas usan una función
personalizada de NeuralTools para calcular los valores de la
predicción, como sucede en:
=NetOutputPrediction(_PALDS_DG25B8C82B!$A$140,
“DG25B8C82B”, “VG1DD83AF2”, 'Datos de
Predicción'!$A$6:$I$6, A7:I7)
NeuralTools añade la fórmula a la hoja de cálculo y no es necesario
que usted la introduzca. Los argumentos permiten a NeuralTools
identificar la red entrenada en uso, así como la ubicación de los
valores independientes en la hoja de cálculo. Cuando se añaden o
cambian los valores de variable independiente de entrada de un caso,
NeuralTools genera automáticamente un nuevo valor de predicción.
Esto facilita la introducción y generación de predicciones para nuevos
casos usando una red entrenada existente.
Nota: Si la predicción se basa en valores de celda que no se espera que
cambien, se recomienda deseleccionar la predicción en vivo en el
cuadro de diálogo de entrenamiento o predicción; para minimizar el
tiempo que tarda Excel en recalcular el libro de trabajo.


Cuadro de diálogo El cuadro de diálogo Previsualización de predicción muestra la
Previsualización configuración de la predicción del conjunto de datos seleccionado
de predicción
junto con cualquier error detectado en los datos o configuraciones,
antes de iniciarse la predicción. Examinando el contenido de este
cuadro de diálogo podrá ver todas las presuposiciones de predicción
seleccionadas según están en NeuralTools. La sección Errores y
advertencias ofrece una descripción de cualquier problema detectado
por NeuralTools en los datos que podrá corregir si fuera necesario
antes de hacer la predicción.


Informes de Después de la predicción se pueden crear informes de resumen y
predicción detallados. Estos informes detallan el funcionamiento de la red
neuronal entrenada con el conjunto de datos de prueba. El contenido
de los informes generados se especifica en el cuadro de diálogo
Configuraciones de aplicación, en las configuraciones Informes a
generar y Columnas en los informes detallados.
• Informe detallado de predicción. Este informe se coloca junto al
conjunto de datos de la predicción. Proporciona una ubicación
para las predicciones cuando el usuario no quiere colocarlas
dentro de la variable dependiente del propio conjunto de datos; si
la variable dependiente contiene datos históricos de algunos
casos, es más seguro no mezclar esos casos históricos con las
predicciones de la red.

Si ejecuta múltiples predicciones, los informes detallados se pueden
añadir en nuevas columnas a la derecha del conjunto de datos, para
que pueda ver cómo cambian las predicciones en cada caso individual
con el uso de nuevas redes entrenadas.


Utilidades
El comando Configuraciones de aplicación

Especifica las configuraciones de los informes de
entrenamiento, prueba y predicción

El comando Configuraciones de aplicación permite seleccionar 1) los
informes que se van a generar para entrenamiento, prueba y
predicción, 2) las configuraciones predeterminadas de Entrenamiento
que se van a usar y 3) las configuraciones predeterminadas de
Predicción y Tiempo de ejecución que se van a usar. Muchas de las
Configuraciones de aplicación son los valores predeterminados que se
usarán en los cuadros de diálogo de Entrenamiento, Prueba y
Predicción. Para obtener más información sobre esas configuraciones,
consulte la descripción de esos cuadros de diálogo. Las demás
configuraciones se explican aquí.


Informes Las opciones de Informes son:
• Informes a generar – Cada una de las operaciones de
NeuralTools puede generar un informe de resumen y otro
detallado. Sin embargo, normalmente conviene utilizar la
configuración de informes predeterminada, ya que ciertos
informes aportan poca información a algunas operaciones. Por
ejemplo, el informe detallado es el informe estándar de
predicción, porque el informe de resumen aporta poco.

Los informes de resumen se colocan en sus propias hojas de
cálculo, mientras que los informes detallados se colocan en
columnas a la derecha del conjunto de datos, en la misma hoja
de cálculo que el conjunto de datos.
• Las opciones de Colocar informes de resumen en son:
- Nuevo libro de trabajo, cuando se crea una nueva hoja
de cálculo para cada informe. Para los informes puede
reutilizar el mismo libro de trabajo o crear siempre un
libro de trabajo nuevo.
• Las opciones de Localización del informe detallado son:
- Sustituir informes existentes, cuando las columnas que
contienen los datos de Informes Detallados anteriores se
sustituyen por nuevos Informes Detallados (para eliminar
un Informe detallado manualmente, seleccione todas las
columnas que lo contienen haciendo clic y arrastrando el
ratón sobre los encabezamientos de las columnas, y luego
seleccione Eliminar en el menú Editar).
- A la derecha del conjunto de datos, cuando las columnas
de los nuevos Informes Detallados se introducen a la
derecha del conjunto de datos.
- A la derecha de los informes existentes, cuando los
nuevos Informes Detallados se introducen en las
columnas situadas a la derecha del conjunto de datos y de
los informes existentes.

78 Utilidades

• Columnas en los informes detallados. Por cada fila
seleccionada, aparecerá a la derecha del conjunto de datos una
columna del Informe detallado que mostrará la información de
cada caso.

Se pueden mostrar las siguientes columnas:
1) Etiqueta usada – Muestra las etiquetas “entrenar”,
“probar” y “predecir” en cada caso si se usaron durante el
entrenamiento o la prueba, o si se hizo una predicción
para un caso determinado.
2) Predicción obtenida usando red – Número o categoría de
predicción de la red.
3) Probabilidad de la categoría de predicción (para PNN) –
Las Redes neuronales probabilísticas no sólo predicen
una categoría desconocida, sino que asignan una
probabilidad a esa categoría. No está disponible cuando
las categorías se predicen usando redes multinivel
siempre hacia adelante. No es aplicable en las
predicciones numéricas.
4) Probabilidad de las categorías incorrectas (para PNN) –
Suma de las probabilidades asignadas por una red PN a
categorías incorrectas. Por ejemplo, si en un caso
determinado la red asigna un 30% de probabilidad al rojo,
un 20% al amarillo y un 50% al verde, y sabemos que la
respuesta correcta es rojo, entonces el valor para ese caso
es 20% + 50% = 70%. Esta columna proporciona una
medida de error caso por caso para la predicción de
categoría, correspondiente a la columna “Error residual”
en la predicción numérica.
5) Error residual – la diferencia entre el valor dependiente
real y el de la predicción. No es aplicable en las
predicciones de categoría.


6) Evaluaciones correctas / incorrectas – En las predicciones
numéricas, la columna indica si la predicción de un caso
determinado se encuentra dentro del margen definido
alrededor del valor real; el ancho del margen se define en
“Evaluación de tolerancia correcta / incorrecta”. En las
predicciones de categoría, la columna simplemente indica
si la categoría de la predicción coincide con la real.
7) Probabilidad de todas las categorías (para PNN) – Si se
selecciona esta opción y se entrena una red neuronal
probabilística, se inserta una columna por cada categoría
dependiente. Por ejemplo, si la red se usa para predecir
un color, puede haber columnas par “rojo%”,
“amarillo%” y “verde%”, que contienen las
probabilidades asignadas a cada color.
• Evaluación de tolerancia correcta / incorrecta. En pruebas y
entrenamientos, si una predicción numérica está dentro del %
introducido del valor real de la variable dependiente, se
etiqueta como “correcta”.

80 Utilidades

El comando Administrador de red neuronal

Permite copiar, mover y eliminar redes neuronales entrenadas

El comando Administrador de red neuronal permite administrar las
redes neuronales entrenadas, para moverlas entre libros de trabajo o
añadir información descriptiva.

Las redes neuronales se pueden guardar en un libro de trabajo de
Excel o en un archivo del disco. Se puede colocar en un solo libro de
trabajo de Excel un número ilimitado de redes. Usando el
Administrador de red neuronal, puede mover redes a libros de
trabajo o archivos, eliminarlas o reemplazarlas. Esto permite analizar
fácilmente conjuntos de datos de otros libros de trabajo usando redes
neuronales existentes, sin que esté presente el libro de trabajo con los
datos de entrenamiento.


Las opciones del Administrador de red neuronal son:
• Copiar – Permite copiar una red neuronal entrenada en una
ubicación diferente. Sólo tiene que seleccionar el libro de
trabajo o el archivo donde desea colocar la red.

• Quitar – Elimina la red neuronal entrenada.
• Reemplazar – Sustituye una red neuronal entrenada por otra
nueva. Esta función está disponible con las redes que se usan
para predicción en vivo. Después del reemplazo, las
predicciones en vivo que se hicieron anteriormente usando la
red antigua se harán con la nueva. Esto no es aplicable en los
Informes Detallados. Si un informe detallado contiene celdas de
predicciones en vivo en las que se usa la red que se va a
reemplazar, después del reemplazo los valores de las celdas
serán fijos.
• Información de red – Permite introducir información
descriptiva en la red. Ayuda a identificar la red entrenada y las
condiciones en las que se entrenó.

82 Utilidades

El comando Utilidades de reemplazo de datos

Permite reemplazar los datos que faltan y los valores erróneos
de un conjunto de datos por valores artificiales

El comando Utilidades de reemplazo de datos permite reemplazar
datos que faltan y otros datos no deseados del conjunto de datos por
valores artificiales. NeuralTools descarta los casos a los que le faltan
valores de variables en el entrenamiento, prueba y predicción; por lo
tanto, conviene corregir estos casos antes de procesarlos.
El cuadro de diálogo Previsualización de entrenamiento mostrará una
advertencia cuando haya casos a los que les falten valores en el
conjunto de datos. Si esto sucede, estos casos se pueden corregir
usando el comando Utilidades de reemplazo de datos.

El cuadro de diálogo Utilidades de reemplazo de datos contiene las
siguientes opciones:
• Variables a modificar – Proporciona una lista de las variables en
uso del conjunto de datos de la hoja de cálculo actual y muestra el
número de datos que faltan, son erróneos (para las variables
numéricas) o no son numéricos. Si marca una variable la
selecciona para que se reemplacen los datos que faltan o no
deseados.


La lista de variables proporciona un menú que se activa con el
botón derecho de ratón que incluye comandos para la selección y
deselección de grupos de variables.
• Valores a reemplazar – Selecciona el tipo de valores de las
variables seleccionadas que se van a reemplazar. Valor específico
permite reemplazar todos los casos de una valor específico de una
variable por un nuevo valor.
• Qué usar como reemplazo – Especifica los valores que se van a
colocar en el conjunto de datos en lugar de los datos que faltan o
no deseados. Se especifican diferentes valores para las variables
de Categoría y Numéricas:
Las opciones de Variables de categoría son:
- Categoría más frecuente o menos frecuente – El valor de
categoría que aparece con mayor frecuencia o con menor
frecuencia en los casos del conjunto de datos
- Categoría adyacente – El valor de categoría que aparece en el
caso del conjunto de datos junto al caso al que le falta el valor
- Categoría seleccionada aleatoriamente – Un valor de
categoría seleccionado aleatoriamente de entre los del
conjunto de datos
- Categoría específica – Establece un valor específico para
todos los valores que faltan o no deseados
Las opciones de Variables numéricas son:
- Valor promedio de la variable – El valor promedio de la
variable de todos los casos del conjunto de datos
- Valor de la mediana de la variable – El valor de la mediana
de la variable de todos los casos del conjunto de datos
- Interpolación de valores adyacentes – El valor calculado
mediante la interpolación entre los valores de la variable de
los casos del conjunto de datos situado junto al caso al que le
falta el valor
- Val aleatorio (entre Mín. y Máx.) – Un valor aleatorio
seleccionado entre el mínimo y el máximo de la variable de
todos los casos del conjunto de datos
Para ambos tipos de variable, Borrar celdas borra los valores
seleccionados de la variable.

84 Utilidades

Información El cuadro de diálogo Utilidades de reemplazo de valores proporciona
adicional sobre una forma de resolver los datos que faltan: genera datos artificiales
valores que faltan
donde faltan datos reales. A veces es mejor dejar los datos que faltan
como celdas en blanco, y permitir que NeuralTools descarte casos a
los que les faltan datos. Recuerde que NeuralTools no reconoce
símbolos especiales como “?” en lugar de datos que faltan; los signos
de interrogación deben borrarse, y esto se puede hacer con el
comando Utilidades de reemplazo de datos, seleccionando “Valor
específico” en la sección Valores a reemplazar, y seleccionando
“Borrar celdas” en la sección “Qué usar como reemplazo”.
También es posible usar NeuralTools para predecir valores que faltan
en una de las variables independientes a partir de otras variables
independientes a las que no les faltan datos o les faltan muy pocos.
Los resultados de la prueba indicarán si una red entrenada para
predecir valores que faltan es fiable.


Información adicional sobre
redes neuronales

Fundamentos de las redes neuronales
Una red neuronal es un sistema que toma valores numéricos de
entrada, realiza permutaciones con esos valores de entrada, y genera
uno o más valores numéricos de salida. Cuando se diseña y entrena
una red neuronal para una aplicación específica, genera valores de
salida aproximadamente correctos para valores de entrada
determinados. Por ejemplo, una red puede tener valores de entrada
que representen algunas características fácilmente cuantificables de
un molusco (una oreja marina), como su longitud, diámetro y peso.
Los cálculos realizados dentro de la red dan como resultado un solo
número, que generalmente es cercano a la edad del animal (la edad de
una oreja de mar es difícil de determinar).
Las redes neuronales se inspiran en la estructura del cerebro. Un
cerebro consta de un gran número de células, conocidas como
“neuronas”. La neurona recibe impulsos de otras neuronas a través de
las “dendritas”. Dependiendo de los impulsos recibidos, la neurona
puede enviar una señal a otras neuronas, a través de su “axón”, que
conecta con las dendritas de otras neuronas. Como en el cerebro, las
redes neuronales artificiales constan de elementos, cada uno de los
cuales recibe una serie de valores de entrada, y genera una sola salida,
cuyo valor es una función relativamente sencilla de los valores de
entrada.


Redes neuronales y métodos estadísticos
Las redes neuronales proporcionan una alternativa a los más
tradicionales métodos estadísticos. Como la regresión lineal, sirve
para aproximación de funciones. Como el análisis discriminatorio y la
regresión logística, sirve para clasificación. La ventaja de las redes
neuronales es que son capaces de modelar funciones extremadamente
complejas. Esta capacidad contrasta con las técnicas lineales
tradicionales (regresión lineal y análisis discriminatorio lineal). Las
técnicas para optimizar modelos lineales eran bien conocidas antes de
la invención de las redes neuronales a mediados del Siglo XX. Se
tardaron muchos años en desarrollar algoritmos eficaces para el
entrenamiento de redes neuronales. Sin embargo, ahora contamos con
una serie de sofisticados algoritmos para el entrenamiento de redes
neuronales que son una atractiva alternativa a los métodos más
tradicionales.

La estructura de una red neuronal
La estructura de una red neuronal consta de unidades conectadas
denominadas “nodos” o “neuronas”. Cada neurona realiza una parte
del cálculo dentro de la red: la neurona toma algunos números como
valores de entrada, realiza un cálculo relativamente simple con esos
valores de entrada, y genera un valor de salida. El valor de salida de
una neurona se convierte en uno de los valores de entrada de otra
neurona, excepto en las neuronas que generan los valores de salida
finales de todo el sistema.
Las neuronas están organizadas en capas o niveles. Las neuronas de
las capas de entrada reciben los valores de entrada para los cálculos,
como la longitud, diámetro y peso de un molusco determinado. Estos
valores se trasladan a las neuronas de la primera capa oculta, que
realizan los cálculos de sus valores de entrada y trasladan sus valores
de salida a la siguiente capa. La siguiente capa puede ser otra capa
oculta, si es el caso. Los valores de salida de las neuronas de la última
capa oculta se trasladan a la neurona o neuronas que general los
resultados de salida finales de la red, como puede ser la edad del
molusco.

88 Fundamentos de las redes neuronales

Predicción numérica y de categorías
Cuando las redes neuronales se usan para predecir valores numéricos,
normalmente sólo tienen un valor de salida. La razón es que las redes
con un solo valor de salida son más fiables que las redes con múltiples
valores de salida, y casi cualquier problema de predicción se puede
resolver usando redes con un solo valor de salida. Por ejemplo, en
lugar de construir una sola red para predecir el volumen y el precio
de un valor de bolsa para el día siguiente, es mejor crear una red para
las predicciones de precio y otra para las predicciones de volumen.
Por otro lado, las redes neuronales tienen múltiples valores de salida
cuando se utilizan para la predicción de clasificación /categoría. Por
ejemplo, supongamos que queremos predecir si el precio de un valor
de bolsa “subirá más del 1%”, “bajará más del 1%” o “no cambiará
más del 1%” para el día siguiente. La red tendrá tres valores
numéricos de salida y el valor de salida mayor indicará la categoría
seleccionada por la red.

Entrenamiento de una red
El entrenamiento de una red es un proceso de ajuste fino de los
parámetros de un cálculo, en el que el propósito es que el la red
genere valores de salida que sean aproximadamente correctos para
una serie de valores de entrada. Este proceso está dirigido por los
datos de entrenamiento por un lado, y por el algoritmo de
entrenamiento por el otro. El algoritmo de entrenamiento selecciona
varios grupos de parámetros de cálculo, y evalúa cada grupo
aplicando la red a cada caso de entrenamiento para determinar lo
adecuadas que son las respuestas dadas por la red. Cada grupo de
parámetros es una “prueba”; el algoritmo de entrenamiento
selecciona nuevos grupos de parámetros basándose en los resultados
de pruebas anteriores.


Procesamiento en computadora de las redes
neuronales
Una red neuronal es un modelo de cálculos que se pueden realizar en
varios tipos de hardware de computadora. Una red neuronal se puede
construir con pequeños elementos de procesamiento, cada uno de los
cuales realiza el trabajo de una sola neurona. Sin embargo, las redes
neuronales normalmente se realizan en una computadora con un solo
procesador de gran potencia, como el que usan la mayoría de las
computadoras actuales. Con computadoras con un solo procesador,
programas como NeuralTools usan el mismo procesador para realizar
los cálculos de cada neurona; en este caso, el concepto de neurona
describe una parte de los cálculos necesarios para obtener una
predicción, y no un elemento de procesamiento físico.

Tipos de redes neuronales
Hay varios tipos de redes neuronales que difieren en estructura, tipo
de cálculos que realizan dentro de las neuronas y algoritmos de
entrenamiento. Uno de los tipos que se ofrece en NeuralTools es la
Red multinivel siempre hacia adelante. Con las redes MLF, un
usuario de NeuralTools puede especificar si debe haber una o dos
capas de neuronas ocultas, y cuántas neuronas deben contener las
capas ocultas (NeuralTools ofrece ayuda para hacer las selecciones
apropiadas, como se describe en la sección Redes MLF). NeuralTools
también ofrece Redes neuronales de regresión generalizada y Redes
neuronales probabilísticas; ambas están estrechamente relacionadas,
siendo las primeras para predicciones numéricas, y las últimas para
predicciones de clasificación / categoría. En las redes GRN/PN no
hay necesidad de que el usuario tome decisiones sobre la estructura
de la red. Estas redes tienen siempre dos capas ocultas de neurona,
con una neurona por caso entrenado en la primera capa oculta, y un
tamaño de la segunda capa determinado por ciertas características de
los datos de entrenamiento.
Las secciones restantes de este capítulo tratan con más detalle cada
uno de los tipos de red neuronal que ofrece NeuralTools.

90 Fundamentos de las redes neuronales

Redes multinivel siempre hacia adelante
Las Redes multinivel siempre hacia adelante (también conocidas
como “Redes de Perceptrón de Múltiples Capas”) son sistemas
capaces de aproximación de funciones complejas y, por lo tanto,
capaces de modelar relaciones complejas entre variables
independientes y una variable dependiente.

La arquitectura MLF
El siguiente diagrama muestra una red MLF para la predicción
numérica con tres variables numéricas independientes; la red se ha
configurado para que tenga 2 neuronas/nodos en la primera capa
oculta, y 3 neuronas/nodos en la segunda capa oculta.

Salida

Segunda capa oculta

Primera capa oculta

Entradas

El funcionamiento de la red se determina por:
• Su topología (el número de capas ocultas y el número de nodos de
esas capas)
• Los “pesos” de las conexiones (un parámetro asignado a cada
conexión) y los términos de tendencia (un parámetro asignado a
cada neurona)
• La función de activación / transferencia que se usa para convertir
los valores de entrada de cada neurona en su valor de salida

Más específicamente, una neurona oculta con n valores de entrada
calcula primero una suma clasificada de sus valores de entrada:
Suma = in0 * w0 + in1 * w1 + ... + inn * wn + tendencia
donde de in0 a inn son valores de salida de las neuronas de la capa
anterior, mientras que de w0 a wn son los pesos de conexión; cada
neurona tiene su propio valor de tendencia. Luego se aplica la función
de activación a la Suma para generar el valor de salida de la neurona.
Se usa una función sigmoide (con forma de s) como función de
activación en las neuronas de la capa oculta. Concretamente,
NeuralTools usa la función de tangente hiperbólica. En NeuralTools,
la neurona de salida usa la identidad como función de activación; es
decir, simplemente genera la suma clasificada de sus valores de
entrada. Las redes neuronales a veces se construyen con funciones de
activación sigmoides en las neuronas de salida. Sin embargo, eso no
es necesario en una red neuronal para que pueda aproximar las
funciones complejas. Además, las funciones sigmoides tienen rangos
de salida restringidos (de -1 a 1 para la función de tangente
hiperbólica) y normalmente habrá valores dependientes situados
fuera del rango. Por lo tanto, el uso de una función sigmoide en la
neurona de salida fuerza una transformación adicional de los valores
de salida antes de transferir los datos de entrenamiento a la red.
Cuando se usan las redes MLF para clasificación, tienen múltiples
neuronas de salida, cada una de las cuales corresponde a una de las
posibles categorías dependientes. Una red clasifica cada caso
calculando sus valores de salida numéricos; la categoría seleccionada
es la que corresponde a la neurona que genera el valor de salida
más alto.

92 Redes multinivel siempre hacia adelante

Entrenamiento de una red MLF
El entrenamiento de una red MLF consiste en encontrar una serie de
pesos y términos de tendencia para las conexiones que permitan que
la red genere por lo general respuestas correctas cuando se le
presentan nuevos casos (para simplificar, omitiremos el término de
tendencia en la siguiente presentación). El entrenamiento comienza
con la asignación de una serie de pesos de conexiones seleccionados
aleatoriamente. Se hace una predicción para cada caso del
entrenamiento (usando valores independientes como valores de
entrada para obtener un valor de salida). El valor de salida será
seguramente diferente al valor dependiente conocido. Por lo tanto, en
cada caso de entrenamiento obtenemos un valor de error. A partir de
estos valores calculamos una medida de error para el conjunto de
entrenamiento completo, que nos indica el funcionamiento de la red
con los pesos iniciales utilizados.
La red no funcionará demasiado bien con la asignación aleatoria
inicial de pesos y habrá que proceder con subsiguientes pruebas:
nuevas asignaciones de pesos. Sin embargo, las asignaciones de pesos
ya no serán aleatorias, sino que serán seleccionadas por el algoritmo
de entrenamiento: un método para seleccionar pesos de conexiones
basado en los resultados de pruebas anteriores. El problema es de
optimización: queremos minimizar la medida de error cambiando los
pesos de las conexiones.
Datos históricos El primer algoritmo para el entrenamiento de pesos de conexiones en
redes MLF era de “propagación hacia atrás”; en la actualidad los
investigadores tienden a favorecer otros algoritmos más rápidos y con
mayor probabilidad de encontrar resultados globales óptimos.
NeuralTools usa el método de “Gradiente descendente conjugado”,
que pertenece a la categoría de métodos de optimización de “segundo
orden”. Estos métodos de optimización “determinísticos” han sido
diseñados para encontrar el mínimo local de una función:
evolucionan eficazmente pendiente abajo en la función de error. Para
reducir el riesgo de encontrar el mínimo local en lugar del global,
NeuralTools combina métodos de optimización “determinísticos” y
“estocásticos”. Más específicamente, se usa el método estocástico
“Recocido Simulado” junto con el método Gradiente Descendente
Conjugado. El algoritmo decide el método que se debe usar en un
punto determinado, basándose en los resultados de pruebas
anteriores. Para obtener más información sobre el método Gradiente
Descendente Conjugado, consulte Bishop (1995) y Masters (1995).
Para obtener información adicional sobre el método Recocido
Simulado consulte Masters (1995).

Medidas de error La medición del error que se utiliza cuando se entrenan redes de
predicción numérica es el error cuadrático medio de todos los casos
del entrenamiento; es decir, el cuadrado de la media de la diferencia
entre la respuesta correcta y la respuesta dada por la red. En las
clasificaciones, cada caso de entrenamiento tiene más de un valor de
salida (cada valor de salida corresponde a una categoría dependiente).
Calculamos el error cuadrático medio de todos los valores de salida
de todos los casos entrenados, en referencia a los valores de salida
deseados: por cada caso entrenado queremos que el valor de salida
sea cercano a 1 para el valor de salida correspondiente a la categoría
correcta, y el resto de los valores de salida sean cercanos a 0.
Tiempo de Los algoritmos de entrenamiento de MLF de NeuralTools se reinicia a
Entrenamiento sí mismo múltiples veces desde pesos iniciales diferentes. Por lo tanto,
cuanto más se entrena una red, mejor. Cuantas más veces se pueda
reiniciar, más probable será que encuentre el mínimo global de la
función de error.
Selección de La selección del número de capas y del número de neuronas de cada
topología capa determina si la red es capaz de aprender la relación entre las
variables independientes y las dependientes. Normalmente, una red
con una sola capa oculta y dos neuronas ocultas no será capaz de
entrenarse hasta alcanzar un nivel satisfactorio de error. Sin embargo,
aumentar el número de capas y neuronas tiene un precio que
normalmente no vale la pena pagar. Una sola capa oculta es suficiente
para casi cualquier problema; el uso de dos capas normalmente
resulta en largos tiempos de entrenamiento innecesarios. Además,
unas pocas neuronas en una sola capa oculta normalmente es
suficiente.
NeuralTools puede autoconfigurar la topología de la red basándose
en los datos entrenados. Sin embargo, la función de Búsqueda de
mejor red ofrece un método más fiable. Como parte de la Búsqueda
de mejor red, se entrena un rango de redes de una sola capa oculta
con diferente número de neuronas. La opción predeterminada es
cinco redes MLF, con un número de neuronas ocultas entre 2 y 6. Si
dispone de tiempo suficiente, el rango se puede ampliar; pero se
recomienda que empiece con redes de 2 neuronas por razones
relacionadas con el exceso de entrenamiento.

94 Redes multinivel siempre hacia adelante

Cómo evitar el El término “exceso de entrenamiento” se refiere a una situación en la
exceso de que la red aprende no sólo las características generales de la relación
entrenamiento
entre las variables independientes y la variable dependiente, sino que
además empieza a aprender características de los casos de
entrenamiento que no son aplicables en general; es decir, que no se
aplicarán a los casos que no son del entrenamiento. A veces, para
resolver este problema, se divide el conjunto de entrenamiento en un
conjunto de “prueba y entrenamiento” y otro conjunto de
entrenamiento apropiado, que se usará después del entrenamiento. El
error del conjunto de prueba y entrenamiento se calcula
periódicamente durante el entrenamiento. Cuando comienza a
aumentar, se interpreta como una señal de que la red empieza a tener
un entrenamiento excesivo, y el entrenamiento se detiene.
NeuralTools utiliza un método diferente para evitar el exceso de
entrenamiento. El método de dos conjuntos distintos de
entrenamiento normalmente no es realista, porque normalmente no
hay suficientes datos como para dividirlos en un conjunto de
entrenamiento y dos conjuntos de prueba. Además, el aumento del
error de un conjunto de entrenamiento y prueba no es un indicador
fiable de un exceso de entrenamiento; el aumento puede ser local, y el
error podría reducirse con el entrenamiento. La Búsqueda de mejor
red de NeuralTools ha sido diseñada para evitar el exceso de
entrenamiento. Con las configuraciones predeterminadas, la
Búsqueda de mejor red se inicia con una red de 2 neuronas, que es
normalmente demasiado pequeña para producir exceso de
entrenamiento. Con las configuraciones predeterminadas, entrenará
redes de hasta 6 neuronas. Si las redes de 5 y 6 neuronas producen un
exceso de entrenamiento, aparecerá en los resultados del conjunto de
entrenamiento, y una de las redes de 2, 3 o 4 neuronas tendrá el error
de prueba más bajo.


Redes neuronales de regresión generalizada y
redes neuronales probabilísticas
Las redes neuronales de regresión generalizada y las redes neuronales
probabilísticas se basan en ideas similares. Las redes GRN se usan
para aproximación de predicciones / funciones numéricas, mientras
que las redes PN se usan para predicciones de categorías y
clasificación. Ambos tipos de redes fueron presentadas por Donald
Specht (“Probabilistic Neural Networks”, Neural Networks, 3, 1990, pp.
109-118; “A General Regression Neural Network”, IEEE Transactions
on Neural Networks, 2, 1991, pp. 568-576). Se tratan en Masters (1995),
cuya presentación se resume a continuación. Consulte estas fuentes
para obtener información adicional.

Redes neuronales de regresión generalizada
Como ejemplo, considere el conjunto de datos de entrenamiento que
se muestra en el gráfico, con una variable numérica independiente y
una variable numérica dependiente.

1200
1000
800
600
400
200
0
-12 -10 -8 -6 -4 -200 0
-2 2 4 6 8 10 12

-400
-600
-800
-1000


Un observador humano puede detectar un patrón en los datos. Si nos
preguntan cuál es el valor dependiente desconocido del valor
independiente 6, podemos estimar que es mayor de 200 y menor de
400. Observe que esta estimación no se basa en los dos casos
conocidos más cercanos, que indicarían un valor por debajo de 200;
estamos observando casos más allá de los más cercanos. Sin embargo,
no prestamos demasiada atención a casos con valores independientes
alrededor de -10; cuanto más cercano está un caso conocido a uno
desconocido, más peso se le da a la hora de estimar el valor
dependiente desconocido. La red neuronal de regresión
generalizadase construye sobre estas ideas intuitivas. Cada caso de
entrenamiento se representa en la red. Cuando se le presenta el caso,
la red calcula el valor dependiente de predicción usando los valores
dependientes de cada caso de entrenamiento, y los casos de
entrenamiento cercanos contribuyen de forma más significativa al
valor de salida.
La arquitectura Una red neuronal de regresión generalizadapara dos variables
GRN numéricas independientes se estructura como se muestra en el gráfico
(suponiendo que sólo hay tres casos):

Salida

Capa de suma (nodos
numerador y denominador)

Capa de patrón (una neurona
por caso de entrenamiento)

Entradas

98 Redes neuronales de regresión generalizada y redes neuronales probabilísticas

La capa de patrón contiene un nodo por cada caso de entrenamiento.
La presentación de un caso de entrenamiento en la red, en este caso
consiste en la presentación de dos valores numéricos independientes.
Cada neurona de la capa de patrón calcula su distancia con el caso
presentado. Los valores transferidos a los nodos numerador y
denominador son funciones de la distancia y del valor dependiente.
Los dos nodos de la capa de suma suman sus valores de entrada,
mientras que el nodo de salida los divide para generar la predicción.
La función de distancia calculada en las neuronas de la capa de patrón
usa “factores de suavización”; cada valor de entrada tiene su propio
valor de “factor de suavización”. Con un solo valor de entrada,
cuanto mayor sea el valor del factor de suavización, más significativos
serán los casos entrenados distantes para el valor de predicción. Con 2
valores de entrada, el factor de suavización está en relación con la
distancia a lo largo del eje de un plano y, en general, con múltiples
valores de entrada, la relación es con una dimensión en un espacio
multidimensional.
La red GRN entrenada consta de factores de suavización optimizados
para minimizar el error de la red entrenada, y para hacerlo se utiliza
el método de optimización de gradiente descendente conjugada. La
medida de error que se usa durante el entrenamiento para evaluar
diferentes conjuntos de factores de suavización es el error cuadrático
medio. Sin embargo, cuando se calcula el error cuadrático de un caso
entrenado, ese caso se excluye temporalmente de la capa de patrón.
Esto se hace porque la neurona excluida calcularía una distancia cero,
haciendo que otras neuronas fueran insignificantes para el cálculo de
la predicción.


Redes neuronales probabilísticas
Volviendo a las Redes neuronales probabilísticas, considere los
siguientes datos de entrenamiento con 2 variables numéricas
independientes y una variable dependiente con 2 categorías:

?

Los círculos representan casos de entrenamiento en una categoría,
mientras que los cuadrados pertenecen a la otra categoría. Queremos
predecir la categoría de los casos que aparecen con el signo de
interrogación. Un observador humano decidiría que el caso está más
probablemente en la categoría del círculo que en la categoría del
cuadrado. Sin embargo, muchos métodos de clasificación no pueden
alcanzar la misma conclusión. Los métodos que requieren una
separabilidad lineal de categorías, fracasarán. Los métodos de vecino
más cercano asignarán un caso desconocido a la categoría del
cuadrado. También lo harán los métodos que se concentran en las
tendencias centrales, ya que el caso desconocido está más cercano al
centroide de la categoría del cuadrado que al centroide de la categoría
del círculo.
Por su parte, la red PN tomará la decisión correcta. Considerará la
distancia del nuevo caso con cada caso de entrenamiento, dando
mayor peso a los casos más cercanos. El efecto del cuadrado cercano
será compensado por los círculos situados en las inmediaciones.


La arquitectura Una Red neuronal probabilística se estructura como se muestra en el
PN gráfico, donde se presupone que hay dos variables numéricas
independientes, dos categorías dependientes y cinco casos de
entrenamiento (tres en una categoría y dos en otra):

Salida

Capa de suma (una
neurona por categoría)

Capa de patrón (una
neurona por caso de
entrenamiento)

Entradas

Cuando se presenta un caso en la red, cada neurona de la capa de
patrón calcula la distancia entre el caso de entrenamiento
representado por la neurona y el caso de entrada. El valor transferido
a las neuronas de la capa de suma es una función de la distancia y los
factores de suavización. Como en las redes GRN, cada valor de
entrada tiene su propio factor de suavización; esos factores
determinan la rapidez con la que se reduce la significancia de los
casos de entrenamiento con la distancia. En la capa de suma hay una
neurona por cada categoría dependiente; cada neurona suma los
valores de salida de las neuronas correspondientes a los casos de
entrenamiento de esa categoría. Los valores de salida de las neuronas
de la capa de suma se pueden interpretar como estimaciones de
función de densidad de probabilidad de cada clase. La neurona de
salida selecciona como categoría de la predicción la categoría con el
mayor valor de función de densidad de probabilidad.


Con en la redes GRN, el entrenamiento de una red PN consta de
factores de suavización optimizados para minimizar el error de la red
entrenada, y para hacerlo se utiliza el método de optimización de
Gradiente Descendente Conjugada. La medida de error que se usa
durante el entrenamiento para evaluar diferentes grupos de factores
de suavización se calcula basándose en todos los valores generados
por las neuronas de la capa de suma de todos los casos de
entrenamiento. La medición tiene en cuenta no sólo la probabilidad
asignada a la categoría correcta, sino también las probabilidades de
distribución asignadas a las categorías incorrectas (es mejor la
distribución aproximadamente uniforme de probabilidades entre
categorías incorrectas que algunas categorías incorrectas tengan una
probabilidad alta). Recuerde que cuando se calcula el error de un caso
entrenado, ese caso se excluye temporalmente de la capa de patrón.
Esto se hace porque la neurona excluida calcularía una distancia cero,
haciendo que otras neuronas fueran insignificantes para el cálculo.


Comparación de redes MLF y redes PN/GRN
Cada uno de los tipos de Redes Neuronales disponibles en
NeuralTools tiene ventajas e inconvenientes, como se explica a
continuación:
Ventajas de las redes GRN/PN:
• Se entrenan rápido
• No requieren una especificación de topología (número de capas
ocultas y nodos)
• Las redes PN no sólo clasifican, sino que también generan
probabilidades de que el caso se encuentre en diferentes categorías
dependientes posibles
Ventajas de las redes MLF:
• De tamaño más pequeño, pero más rápidas para hacer
predicciones
• Son más fiables fuera del rango de los datos de entrenamiento (por
ejemplo, cuando el valor de alguna variable independiente se
encuentra fuera del rango de valores de esa variable en los datos
de entrenamiento); si bien debe recordarse que la predicción fuera
del rango de los datos de entrenamiento sigue teniendo riesgo con
las redes MLF
• Son capaces de generalizar a partir de conjuntos de entrenamiento
muy pequeños


Transformación de valores de entrada
NeuralTools aplica una escala a las variables numéricas antes del
entrenamiento, de forma que los valores de cada variable se
encuentran aproximadamente en el mismo rango. Esto se hace para
igualar el efecto que las variables tienen sobre el valor de salida de la
red durante las fases iniciales del entrenamiento. Cuando una variable
no es significativa para hacer predicciones correctas, se refleja durante
el entrenamiento mediante la reducción de los pesos de las conexiones
que llevan de un valor de entrada a las neuronas de la primera capa
oculta. Sin embargo, si esa variable insignificante tiene un orden de
magnitud más grande que otras variables, los pesos deben reducirse
mucho más para compensar los valores más grandes.
La escala usa la media y la desviación estándar para cada variable,
calculadas en el conjunto de entrenamiento. La media se resta de cada
valor y el resultado se divide entre la desviación estándar. Los
mismos parámetros de escala se usan cuando se prueba la red
entrenada o cuando se usa para hacer predicciones.
Los datos de categoría / simbólicos no se pueden usar directamente
en la red neuronal, cuyos valores de entrada deben ser números. En
consecuencia, cada una de las variables de categoría independientes
se representa por una serie de entradas numéricas de red, una por
cada categoría posible. Se usa el método de conversión “una de n”.
Por ejemplo, observe el siguiente conjunto de casos entrenados:

Edad Estado Cantidad Dependiente: Pago del préstamo
41 NY 4000 A tiempo
32 CT 7000 Tarde
54 NJ 6000 A tiempo
37 NY 5000 Impago


Se presentan a la red de la siguiente forma:

Edad Estado= Estado= Estado= Cantidad Dependiente:
CT NJ NY Pago del
préstamo
41 0 0 1 4000 A tiempo
32 1 0 0 7000 Tarde
54 0 1 0 6000 A tiempo
37 0 0 1 5000 Impago

106

Obras recomendadas
Los siguientes textos proporcionan información adicional sobre las
redes neuronales que se usan en NeuralTools:
Bishop, Christopher M., Neural Networks for Pattern Recognition,
Oxford, 1995.
Masters, Timothy, Advanced Algorithms for Neural Networks, Wiley,
1995.
Reed, Russell D., Robert J. Marks, Neural Smithing, MIT, 1999.


Índice

A D
Administrador de conjunto de datos, Desinstalación de NeuralTools, 7
20
Arquitectura GRN, 98
Arquitectura MLF, 91
E
Arquitectura PNN, 101 Entrenamiento, 18
Asignación de variables, 65 Entrenamiento de una red MLF, 93
Error cuadrático medio, 63
B Evolver, 32

Barra de herramientas
NeuralTools, 39
H
Histograma de residuales, 63
C
Capacidad de conjuntos de datos y
I
variables, 49 Iconos
Comando Administrador de conjunto Escritorio, 8
de datos, 43 NeuralTools, 39
Comando Administrador de red Iconos de los cuadros de diálogo, 42
neuronal, 81 Informes de entrenamiento, 61
Comando Configuraciones de Informes de prueba, 28, 67
aplicación, 77 Instrucciones para la instalación, 7
Comando Entrenar, 50
Comando Predecir, 71
Comando Probar, 64 M
Comando Utilidades de reemplazo de Matriz de clasificación, 62
datos, 83
Combinación de entrenamiento,
prueba y predicción, 22 P
Cómo evitar el exceso de
Palisade Corporation, 5
entrenamiento, 95
Predicción, 18, 29
Comparación de redes MLF y redes
Predicción en vivo, 30, 73
PN/GRN, 103
Previsualización de predicción, 74
Conjuntos de datos, 20
Previsualización de prueba, 66
Conjuntos de datos de rangos
Probar automáticamente, 51
múltiples, 45
Problema numéricos, ii
Conjuntos de datos y variables, 43
Problemas de clasificación, ii
Cuadro de diálogo Administrador de
Progreso del entrenamiento, 60
conjunto de datos, 44
Prueba, 18
Índice 109

R StatTools, 32

Redes multinivel siempre hacia
adelante, 55, 91
T
Redes neuronales de regresión Tiempo de ejecución, 57
generalizada, 23, 55, 97 Tipo de variable, 47
Redes neuronales probabilísticas, 55, Transformación de valores de
100 entrada, 105
Redes neuronales y métodos
estadísticos, 88
Requisitos del sistema, 6 V
Resúmenes rápidos de los informes Valores que faltan, 85
detallados, 70 Variables de etiqueta, 48
Versión Profesional, iv
S
Solver, 32

110

Neural tools5 es

Más contenido relacionado

Destacado (20)

Similar a Neural tools5 es (20)

Más de Gustavo Alvarez Sierra (8)

Último (20)

Neural tools5 es