Optimización del entrenamiento para Redes Neuronales Artificiales

Resumen

Debido a la habilidad para modelar problemas complejos, actualmente las Redes Neuronales Artificiales (NN) son muy populares en Reconocimiento de Patrones, Minería de Datos y Aprendizaje Automático. No obstante, el elevado costo computacional asociado a la fase en entrenamiento, cuando grandes bases de datos son utilizados, es su principal desventaja.

Con la intención de disminuir el costo computacional e incrementar la convergencia de la NN, el presente trabajo analiza la conveniencia de realizar pre-procesamiento a los conjuntos de datos. De forma específica, se evalúan los métodos de grafo de vecindad relativa (RNG), grafo de Gabriel (GG) y el método basado en los vecinos envolventes K-NCN. Los resultados experimentales muestran la factibilidad y las múltiples ventajas de esas metodologías para solventar los problemas descritos previamente.