Está en la página 1de 114

Gua para el uso de

NeuralTools
Programa auxiliar de redes
neuronales para Microsoft

Excel

Versin 6
March, 2013







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



























Copyright
Copyright 2013, 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 i

Bienvenidos a NeuralTools para
Excel
Bienvenidos
NeuralTools ofrece a Microsoft Excel el programa de modelacin y
anlisis de datos estndar de la industria- un nuevo y eficaz grupo de
herramientas de modelacin. NeuralTools es un programa auxiliar de
redes neuronales para Microsoft Excel que permite analizar datos en
las hojas de clculo de Excel y trabajar en el entorno familiar de
Microsoft Office. Combinando un eficaz administrador de datos y los
ms 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 slidas y precisas de las redes neuronales.
Trabaje con la mayor comodidad
Si sabe cmo usar Excel, sabr usar NeuralTools. NeuralTools
funciona como lo hace Excel, con barras de herramientas, mens 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 formacin,
porque se trabaja como usted trabaja en Excel. Los datos y variables
estn en hojas de clculo de Excel. Puede usar frmulas estndar de
Excel para hacer clculos as como tablas de pivote y ordenacin de
Excel. Los informes y grficas de los anlisis se ofrecen en el formato
estndar de Excel y pueden utilizar todas las funciones de formato
incorporadas de Excel.
ii Bienvenidos

Anlisis 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 clasificacin: Problemas en los que se trata de
determinar el tipo de categora al que pertenece un elemento
desconocido. Como ejemplo estn los diagnsticos mdicos o
las predicciones de capacidad de pago de un crdito.
Problemas numricos: Situaciones en las que debe predecir
un resultado numrico especfico. Como ejemplo estn la
previsin del precio de acciones o la prediccin 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, asignacin de
riesgo en crditos y prstamos, deteccin de fraude crediticio,
previsiones de ventas, previsiones comerciales en general, riesgo en
inversiones, diagnsticos mdicos, investigacin cientfica y sistemas
de control.
NeuralTools incorpora los ms modernos algoritmos de redes
neuronales para hacer las mejores predicciones tanto en problemas de
clasificacin (denominados prediccin de categora en NeuralTools)
como en problemas numricos.

Bienvenidos a NeuralTools para Excel iii

Administracin 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 estadstico para Excel
creado por Palisade. Se puede definir un nmero ilimitado de
conjuntos de datos, cada uno con las variables que desea analizar,
directamente en los datos de Excel. NeuralTools evala
inteligentemente los bloques de datos, sugiriendo nombres y tipos de
variables as como ubicaciones de datos. Los conjuntos de datos y
variables pueden residir en diferentes libros de trabajo y hojas de
clculo, permitindole 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 estn limitadas en
su tamao a una sola columna de datos de una hoja de clculo de
Excel; puede usar la misma columna a lo largo de hasta 255 hojas de
clculo para una sola variable.
Informes de NeuralTools
Excel es ideal para informes y grficos, y NeuralTools lo aprovecha al
mximo. NeuralTools usa grficos con formato de Excel, que se
pueden personalizar fcilmente con nuevos colores, fuentes y texto.
Los ttulos de los informes, formato de los nmeros y texto se puede
cambiar como en cualquier hoja de clculo estndar de Excel. Arrastre
y coloque tablas y grficas de los informes de NeuralTools
directamente a sus propios documentos de otras aplicaciones.
NeuralTools Industrial tambin incluye prediccin en vivo, que
permite calcular los valores de prediccin cuando se introducen
nuevos datos en la hoja de clculo de Excel. Estos clculos en vivo se
producen automticamente, como los dems reclculos de Excel.
iv Bienvenidos

Acceso y distribucin de datos
Excel tiene excelentes funciones de importacin de datos, por lo que
incorporar datos existentes a NeuralTools es muy fcil. Use las
funciones estndar 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, podr
enviar resultados y redes de NeuralTools a sus colegas. Compartir
datos no puede ser ms fcil.
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 estn
limitados a 1000 casos, mientras NeuralTools Industrial
respalda conjuntos de datos de hasta 16,777,216 casos.
La prediccin en vivo, que permite calcular los valores de
prediccin cuando se introducen nuevos datos en la hoja de
clculo de Excel, slo se ofrece en NeuralTools Industrial.
Estos clculos en vivo se producen automticamente, como
los dems reclculos de Excel.

ndice v

ndice

Captulo 1: Introduccin 1
Introduccin........................................................................................3
Informacin sobre esta versin .............................................................3
Las versiones Profesional e Industrial de NeuralTools ....................3
El sistema operativo.................................................................................3
Cmo obtener ayuda................................................................................4
Requisitos del sistema de NeuralTools ...............................................6
Instrucciones para la instalacin......................................................7
Instrucciones generales de instalacin.................................................7
Configuracin de los iconos y de los accesos directos de
NeuralTools...............................................................................................7
Los programas de DecisionTools Suite................................................7
Activacin del software...........................................................................8
Captulo 2: Introduccin a NeuralTools 9
Introduccin......................................................................................11
Para qu sirven las redes neuronales?..............................................11
NeuralTools y las redes neuronales....................................................12
El men y la barra de herramientas de NeuralTools.......................13
Conjuntos de datos y el Administrador de conjunto de datos ......14
Entrenamiento de una red neuronal ...................................................16
Prueba de una red ..................................................................................21
Prediccin................................................................................................23
Informes y grficas de NeuralTools ...................................................25
Utilidades de NeuralTools ...................................................................26
Uso de NeuralTools con StatTools, Solver y Evolver......................26
Captulo 3: Gua de referencia de NeuralTools 29
Introduccin......................................................................................31
Referencia: Iconos de NeuralTools 33
La barra de herramientas de NeuralTools......................................33
vi

Referencia: Comandos del men de NeuralTools 35
Introduccin...................................................................................... 35
Iconos de los cuadros de dilogo........................................................ 36
Referencia de comandos................................................................. 37
Comando Administrador de conjunto de datos .............................. 37
Comando Entrenar ................................................................................ 44
Comando Probar.................................................................................... 58
Comando Predecir................................................................................. 65
Utilidades .......................................................................................... 71
Comando Configuraciones de aplicacin......................................... 71
Comando Administrador de red neuronal ....................................... 75
Comando Utilidades de reemplazo de datos.................................... 77
Comando Sensibilidad de prueba...................................................... 80
Informacin adicional sobre redes neuronales 83
Fundamentos de las redes neuronales.......................................... 83
Redes neuronales y mtodos estadsticos......................................... 84
La estructura de una red neuronal...................................................... 84
Prediccin numrica y de categoras.................................................. 85
Entrenamiento de una red ................................................................... 85
Procesamiento en computadora de las redes neuronales............... 86
Tipos de redes neuronales................................................................... 86
Redes multinivel siempre hacia adelante...................................... 87
La arquitectura MLF ............................................................................. 87
Entrenamiento de una red MLF.......................................................... 89
Redes neuronales de regresin generalizada y redes
neuronales probabilsticas .......................................................... 93
Redes neuronales de regresin generalizada................................... 93
Redes neuronales probabilsticas....................................................... 96
Comparacin de redes MLF y redes PN/GRN............................... 99
Transformacin de valores de entrada........................................ 101
Obras recomendadas..................................................................... 103
ndice 105
Captulo 1: Introduccin 1

Captulo 1: Introduccin
Introduccin........................................................................................3
Informacin sobre esta versin .............................................................3
Las versiones Profesional e Industrial de NeuralTools ....................3
El sistema operativo.................................................................................3
Cmo obtener ayuda................................................................................4
Requisitos del sistema de NeuralTools ...............................................6
Instrucciones para la instalacin......................................................7
Instrucciones generales de instalacin.................................................7
Configuracin de los iconos y de los accesos directos de
NeuralTools...............................................................................................7
Los programas de DecisionTools Suite................................................7
Activacin del software...........................................................................8
@RISK 4.5 Help System Palisade Corporation, 1999


2



Captulo 1: Introduccin 3

Introduccin
Esta introduccin describe los contenidos del paquete de NeuralTools
y explica cmo instalar NeuralTools e incorporarlo a su copia de
Microsoft Excel 2003 o posterior.
Informacin sobre esta versin
Esta versin de NeuralTools se puede instalar con Microsoft Excel
2003 o posterior.
Las versiones Profesional e Industrial de
NeuralTools
NeuralTools se ofrece en dos versiones: Profesional e Industrial. Las
diferencias son las siguientes:
Los grupos de datos en NeuralTools Professional tienen un
lmite de 1000 casos, mientras que en NeuralTools Industrial
su tamao slo est limitado por la cantidad de memoria
disponible.
La Prediccin en Vivo, que permite calcular los valores de
prediccin cuando se introducen nuevos datos en la hoja de
clculo de Excel, slo se ofrece en NeuralTools Industrial.
Estos clculos en vivo se producen automticamente, como
los dems reclculos de Excel.
El sistema operativo
Esta gua para el uso del programa est diseada 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 ratn.
Estar familiarizado con trminos como iconos, hacer clic, hacer doble
clic, men, ventana, comando y objeto.
Comprender los conceptos bsicos de estructura de directorios y
archivos.
4 Introduccin

Cmo obtener ayuda
Se ofrece asistencia tcnica gratuita a todos los usuarios registrados de
NeuralTools con un plan actual de mantenimiento, o tambin se
ofrece por un precio por incidente. Para asegurar que usted es un
usuario registrado de NeuralTools, regstrese electrnicamente en
http://www.palisade.com/support/register.asp.
Si se pone en contacto con nosotros por telfono, tenga a mano el
nmero de serie y la Gua para el Uso del programa. Le podremos
asistir mejor si se encuentra delante del PC en el momento de llamar.
Antes de ponerse en contacto con el servicio de asistencia tcnica,
repase la siguiente lista:
Ha consultado la ayuda electrnica?
Ha consultado esta Gua de Uso y revisado el tutorial multimedia
electrnico?
Ha ledo el archivo LEAME.WRI? Este archivo contiene informacin
actual referente a NeuralTools que puede no estar en la gua del
programa.
Puede reproducir el problema consistentemente? Puede reproducir el
problema en otro PC o con otro modelo?
Ha visitado nuestra pgina de World Wide Web? La direccin es
http://www.palisade.com. En nuestra pgina Web tambin podr
encontrar las preguntas ms frecuentes (una base de datos de preguntas
y respuestas sobre temas tcnicos) y una serie de archivos de reparacin
de NeuralTools en la seccin de Asistencia Tcnica. Recomendamos que
visite nuestra pgina Web con regularidad para obtener informacin
actualizada sobre NeuralTools y sobre otros programas de Palisade.
Antes de llamar

Captulo 1: Introduccin 5

Palisade Corporation est abierto a sus preguntas, comentarios y
sugerencias referentes a NeuralTools. Pngase en contacto con
nuestro personal de asistencia tcnica siguiendo uno de estos
mtodos:
Enve un correo electrnico a support@palisade.com.
Llame al telfono +1-607-277-8000 los das laborables de 9:00 a.m. a
5:00 p.m., hora estndar del este de Estados Unidos. Para acceder al
servicio de asistencia tcnica siga las indicaciones del sistema.
Enve un fax al +1-607-277-8001
Enve una carta postal a:
Asistencia Tcnica
Palisade Corporation
798 Cascadilla St.
Ithaca, NY 14850 EE.UU.
Si quiere ponerse en contacto con Palisade en Europa.
Enve correo electrnico a support@palisade-europe.com.
Llame al telfono +44 1895425050 (Reino Unido).
Enve un fax al +44 1895425051 (Reino Unido).
Enve una carta postal a:
Palisade Europe
31 The Green
West Drayton
Middlesex
UB7 7PN
Reino Unido
Si quiere ponerse en contacto con Palisade en Asia-Pacfico.
Enve correo electrnico a support@palisade.com.au.
Llame al telfono +61 2 9252 5922 (Australia).
Enve un fax al +61 2 9252 2820 (Australia).
Enve una carta postal a:
Palisade Asia-Pacific Pty Limited
Suite 404, Level 4
20 Loftus Street
Sydney NSW 2000
Australia
Cmo ponerse en
contacto con
Palisade
6 Introduccin

Independientemente del mtodo de contacto, mencione siempre el
nombre del producto, la versin y el nmero de serie. La versin
exacta se encuentra seleccionando el comando Acerca de de la
Ayuda del men de NeuralTools en Excel.
La versin para estudiantes de NeuralTools no incluye asistencia
tcnica por telfono. 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 ms frecuentes.
Pngase en contacto con nuestro departamento de asistencia tcnica
enviando un fax o mensajes de correo electrnico.
Requisitos del sistema de NeuralTools
Los requisitos del sistema de NeuralTools 6 para Microsoft Excel para
Windows son los siguientes:
Microsoft Windows XP o superior.
Microsoft Excel 2003 o posterior.
Versin para
estudiantes

Captulo 1: Introduccin 7

Instrucciones para la instalacin
Instrucciones generales de instalacin
El programa de instalacin copia los archivos del sistema de
NeuralTools en el directorio seleccionado del disco duro. Para
ejecutar el programa de instalacin en Windows XP o posterior:
1) Haga doble clic en NeuralTools Setup.exe, en el archivo descargado o en
el CD de instalacin, y siga las instrucciones de la pantalla
Si tiene algn 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.
Si quiere quitar NeuralTools de su PC, use la utilidad Agregar/Quitar
Programas del Panel de Control y seleccione NeuralTools.
Configuracin de los iconos y de los accesos
directos de NeuralTools
En Windows, el programa de instalacin crea automticamente un
comando de NeuralTools en el men Programas\Palisade
DecisionTools de la barra de herramientas. Pero si tiene algn
problema durante la instalacin, o si desea hacerlo manualmente en
otro momento, siga estas instrucciones: Recuerde que las
instrucciones que se dan a continuacin son para Windows XP
Professional. Las instrucciones para otros sistemas operativos pueden
ser diferentes.
1) Haga clic en el botn Inicio y luego en Configuracin.
2) Haga clic en Barra de Tareas y Men Inicio, y luego haga clic en la
pestaa Men Inicio.
3) Haga clic en Personalizar, haga clic en Aadir 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 men 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 dilogo.
Los programas de DecisionTools Suite
Cmo quitar
NeuralTools de
su PC
Creacin de los
accesos directos
en la barra de
tareas de
Windows
8 Instrucciones para la instalacin

NeuralTools forma parte de DecisionTools Suite, un juego de
productos de anlisis de riesgo y decisin que ofrece Palisade
Corporation. El procedimiento de instalacin predeterminado de
NeuralTools coloca NeuralTools en un subdirectorio del directorio
principal Archivos de programas\Palisade. Algo similar ocurre con
Excel, que normalmente se instala como un subdirectorio del
directorio Microsoft Office.
Uno de los subdirectorios del directorio Archivos de
programas\Palisade ser el directorio de NeuralTools (denominado
de forma predeterminada NeuralTools6). Este directorio contiene el
archivo del programa de complemento NeuralTools
(NEURALTOOLS.XLA) adems de modelos de ejemplo y otros
archivos necesarios para el funcionamiento de NeuralTools. Otro de
los subdirectorios de Archivos de programas\Palisade es el directorio
SYSTEM, que contiene archivos necesarios para todos los programas
de DecisionTools Suite, incluyendo archivos comunes de ayuda y
libreras de programas.

Activacin del software
La activacin es un proceso que se realiza una sola vez para verificar
la licencia y es necesario para que el software de Palisade funcione
como un producto con licencia completa. En la factura impresa o
enviada por correo electrnico se encuentra una ID de activacin, que
es una secuencia separada por guiones similar a esta: "DNA-6438907-
651282-CDM". Si introduce la ID de Activacin durante la instalacin,
el software se activa al final del proceso de instalacin y no ser
necesaria accin adicional alguna. Si desea activar el software despus
de la instalacin, seleccione el comando Administrador de licencias
del men Ayuda.
El Administrador de Licencias se puede usar para activar, desactivar
y mover licencias de software. Tambin se usa para administrar
licencias en las instalaciones de red. Siga las instrucciones de los
cuadros de dilogo del Administrador de Licencias para realizar las
operaciones que desee con las licencias.



Captulo 2: Introduccin a NeuralTools 9

Captulo 2: Introduccin a
NeuralTools

Introduccin 11
Para qu sirven las redes neuronales?..............................................11
NeuralTools y las redes neuronales....................................................12
El men y la barra de herramientas de NeuralTools.......................13
Conjuntos de datos y el Administrador de conjunto de datos ......14
Tipos de variables.....................................................................15
Datos multi-rango.....................................................................15
Entrenamiento de una red neuronal ...................................................16
Combinacin de entrenamiento, prueba y prediccin ......16
Configuracin de red...............................................................17
Previsualizacin de entrenamiento.......................................18
Proceso de entrenamiento.......................................................19
Informes de entrenamiento ....................................................20
Prueba de una red ..................................................................................21
Informes de prueba..................................................................22
Prediccin................................................................................................23
Resultados de la prediccin....................................................24
Prediccin en vivo ....................................................................24
Informes y grficas de NeuralTools ...................................................25
Utilidades de NeuralTools ...................................................................26
Uso de NeuralTools con StatTools, Solver y Evolver......................26


10



Captulo 2: Introduccin a NeuralTools 11

Introduccin
NeuralTools proporciona excelente capacidad para redes neuronales
en el entorno familiar de Microsoft Excel. Los procedimientos de
NeuralTools como la definicin de conjuntos de datos, el
entrenamiento y las pruebas de redes neuronales y la prediccin de
valores usando redes entrenadas se pueden ejecutar sobre los datos
en Excel, y los informes y grficos de los anlisis se crean en Excel.
Para qu 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 clasificacin: Problemas en los que se trata de
determinar el tipo de categora al que pertenece un elemento
desconocido. Como ejemplo estn los diagnsticos mdicos o
las predicciones de capacidad de pago de un crdito.
Problema numricos: Situaciones en las que debe predecir un
resultado numrico especfico. Como ejemplo estn la
previsin del precio de acciones o la prediccin del nivel de
ventas durante un periodo de tiempo futuro.
NeuralTools incluye ejemplos que muestran como aplicar redes
neuronales a diferentes problemas de prediccin. La carpeta
NeuralTools\Examples\Spanish contiene los ejemplos en formato
de libro de trabajo de Excel.
12 Introduccin

NeuralTools y las redes neuronales
Cuando se usa NeuralTools, las redes neuronales se desarrollan y
utilizan en cuatro pasos:
Preparacin 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 histricos de los cuales se conocen los
valores de salida / variable dependiente.
Prueba Con las pruebas se comprueba la red neuronal para
ver cmo realiza la prediccin de los valores de salida
conocidos. Los datos usados para las pruebas son
normalmente un subconjunto de los datos histricos. Este
subconjunto no se utilizan para el entrenamiento de la red.
Despus de la prueba, se mide el funcionamiento de la red
mediante estadsticas como el porcentaje de respuesta
conocidas cuya prediccin ha sido correcta.
Prediccin 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 podr usarla rpidamente para
predecir.
Ahora vamos a ver cmo 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.

Captulo 2: Introduccin a NeuralTools 13

El men y la barra de herramientas de
NeuralTools
Una vez instalado NeuralTools, su men y comandos se incluyen en
la barra de mens de Excel en Excel 2003 o anteriores versiones.
Tambin aparecer una barra de herramientas de NeuralTools. El
men 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 estn disponibles a travs de la cinta de
NeuralTools.

14 Introduccin

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
estadsticas, 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 podr 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 histricos conocidos en un conjunto de
datos y los casos para los que desea predecir los resultados en otro
conjunto de datos diferente. Tambin puede combinar todos los datos
los datos histricos conocidos y los datos que desea predecir en un
solo conjunto de datos.


Captulo 2: Introduccin a NeuralTools 15

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 mltiples
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
seleccin actual de Excel. Esto facilita la configuracin del conjunto de
datos con nombres de variable en la fila superior y las variables
distribuidas en columnas.
En NeuralTools, las variables pueden ser independientes o
dependientes, y numricas o de categora (por ejemplo S 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.
En una sola columna de una hoja de clculo de Excel 2003 o anterior
caben hasta 65,536 puntos de datos para una variable. Si las variables
tienen ms valores y no quiere actualizar el programa a Excel 2007,
NeuralTools permite asignar mltiples rangos de celdas a un solo
conjunto de datos. Es decir, puede repetir un conjunto de datos
ocupando mltiples hojas, asignando las mismas columnas a
diferentes hojas de clculo para que quepan todos los valores del
conjunto de datos.
Tipos de variables
Datos multi-rango
16 Introduccin

Entrenamiento de una red neuronal
Despus de definir el conjunto de datos que contiene los casos con
valores histricos conocidos, puede entrenar una red neuronal usando
esos datos. Hay diferentes opciones que determinan el tipo de red que
generar 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 despus 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, as como la prueba y
prediccin, requiere la especificacin 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.
Si todos los datos se encuentran en un solo conjunto de datos (e
incluyen los datos histricos conocidos y los nuevos datos de los que
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 histricos para la
prueba (20% es lo que se muestra en la pgina anterior) y luego se
selecciona predecir automticamente los valores de salida de los casos
a los que le faltan los valores dependientes. As puede obtener
rpidamente las respuestas que necesita con una sola operacin.
Combinacin de
entrenamiento,
prueba y
prediccin

Captulo 2: Introduccin a NeuralTools 17

NeuralTools respalda diferentes configuraciones de red neuronal para
obtener las mejores predicciones posibles. Para la prediccin de
clasificaciones /categoras (en las que la variable dependiente es de
tipo categora), se ofrecen dos tipos de redes: Redes neuronales
probabilsticas (PN) y Redes multinivel siempre hacia adelante
(MLF). La prediccin numrica se puede realizar usando redes MLF,
as como Redes neuronales de regresin generalizada (GRN), que
estn estrechamente relacionadas con las redes PN.

NeuralTools facilita la seleccin de una configuracin de red al ofrecer
una bsqueda 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
configuracin se determina basndose en los datos de prueba, por lo
tanto debe seleccionarse la opcin Probar automticamente en la
pestaa Entrenamiento de la bsqueda de Mejor red.
Configuracin
de red
18 Introduccin

Una vez seleccionadas las opciones de entrenamiento y configuracin
de red, NeuralTools previsualiza lo que har durante el
entrenamiento de la red. Como el entrenamiento es el proceso que
requiere ms tiempo en la modelacin de redes neuronales, conviene
revisar la configuracin de entrenamiento antes de proceder.
NeuralTools tratar de identificar cualquier problema que encuentre
en los datos para que pueda corregirlo antes de que se realice el
entrenamiento.

Previsualizacin
de entrenamiento

Captulo 2: Introduccin a NeuralTools 19

Cuando NeuralTools procede con el entrenamiento de la red neuronal
con los datos, informa de funcionamiento del proceso. Normalmente,
la red mejora cada vez ms segn evoluciona el entrenamiento, ya
que NeuralTools genera redes que hacen mejores predicciones de los
datos con menos errores. Los grficos 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
mximo de entrenamiento. Si ha seleccionado probar
automticamente la red o predecir los valores de salida que faltan en
el conjunto de datos, esta operacin se realizar despus del
entrenamiento.
Proceso de
entrenamiento
20 Introduccin

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

Informes de
entrenamiento

Captulo 2: Introduccin a NeuralTools 21

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

Cuando los datos de prueba estn 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 configuracin de la prueba antes de
realizarla.
22 Introduccin

La prueba (as como las predicciones) se ejecutan mucho ms rpido
que el entrenamiento. NeuralTools informa del funcionamiento de la
prediccin de las respuestas conocidas de los datos de prueba. Esto
ayuda a ver si la red tendr un buen funcionamiento haciendo
predicciones cuando se aplique a casos con valores de salida
desconocidos.

Informes de
prueba

Captulo 2: Introduccin a NeuralTools 23

Prediccin
El utilidad final de una red neuronal es la prediccin. 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
mtodos de prediccin: 1) un mtodo por comando para la
prediccin de valores de los casos de un conjunto de datos, y 2)
prediccin en vivo (slo en la versin Industrial), en el que los
valores de las variables independientes de un caso de la hoja de
clculo se pueden entrenar y NeuralTools calcula automticamente el
valor de salida de la prediccin.
Cuando se predicen valores para un grupo de casos de un conjunto de
datos, el cuadro de dilogo Prediccin sirve para configurar el
proceso de prediccin. Puede hacer la prediccin slo para los casos a
los que le faltan valores de salida y activar la prediccin en vivo para
hacer modificaciones en los datos para ver cmo afectan a las
predicciones. Se pueden usar diferentes redes entrenadas para ver la
diferencia entre los valores de la prediccin.

Como sucede con el entrenamiento y la prueba, NeuralTools primero
previsualiza los datos y la configuracin que se usarn en la
prediccin. Luego, las predicciones se envan a la hoja de clculo de
Excel.
24 Introduccin

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

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

(Nota: La prediccin en vivo slo est disponible en la versin
Industrial).
Resultados de la
prediccin
Prediccin
en vivo

Captulo 2: Introduccin a NeuralTools 25

Informes y grficas de NeuralTools
NeuralTools crea informes de resumen y detallados del
entrenamiento, la prueba y la prediccin. Los informes de resumen se
muestran en sus propias hojas de clculo y contienen informacin
general sobre la prueba o el entrenamiento. El informe detallado
ofrece informacin caso por caso y se muestra junto a los datos para
los que se genera el informe. Adems, la mayora de la informacin
del informe de resumen se pueden encontrar en el Informe detallado
como un comentario aadido a la celda de ttulo; esa versin del
informe de resumen se conoce como resumen rpido.

Cada vez que NeuralTools crea una o ms grficas, las coloca con los
informes. Las grficas se crean en formato de Excel y se pueden
personalizar usando comandos de grficos estndar de Excel.
26 Introduccin

Utilidades de NeuralTools
Se proporcionan tres utilidades para administrar la modelacin 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. Los anlisis de Sensibilidad de prueba determinan si los
resultados de la prueba son estables bajo diferentes selecciones
aleatorias de casos de prueba.
Uso de NeuralTools con StatTools, Solver y
Evolver
NeuralTools ha sido diseado para su uso con StatTools, el programa
auxiliar estadstico 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 estadsticas de
las variables de los conjuntos de datos definidos en NeuralTools junto
con las estadsticas de las predicciones generadas por NeuralTools.
Los informes detallados generados en NeuralTools estn disponibles
inmediatamente para su anlisis en StatTools; de hecho, aparecen
automticamente en la lista de conjuntos de datos del Administrador
de conjunto de datos de StatTools. Esto facilita el uso de StatTools
para obtener resultados estadsticos 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 prediccin).
Basndose en el histograma, los residuales pueden aparecer como
aproximadamente distribuidos normalmente. Para probar la hiptesis
de una distribucin 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 Prediccin de edad de
molusco con anlisis de StatTools.xls.
La funcin de prediccin en vivo de NeuralTools facilita la
visualizacin de el efecto de los cambios de los valores
independientes sobre la prediccin. Con la prediccin en vivo, se
pueden usar otras funciones disponibles en Excel para explorar la
relacin entre las variables independientes y la dependiente.

Captulo 2: Introduccin a NeuralTools 27

Solver El programa optimizador incorporado de Excel se puede
usar con la funcin de prediccin en vivo de NeuralTools para
calcular los valores de la decisin ptima para las predicciones hechas
con NeuralTools. El archivo Prstamos para autos con Solver.xls
incluye un ejemplo. En este ejemplo, se usa una red neuronal para
predecir si el solicitante de un prstamo har sus pagos a tiempo. Sin
embargo, es posible que la red slo tenga un nivel de confianza del
60% en la respuesta. El Solver de Excel se puede usar para determinar
una cantidad de prstamo para la que la red tenga una seguridad del
90% de que el individuo har sus pagos a tiempo. En este caso, el
programa optimizador prueba diferentes cantidades de prstamo
mientras NeuralTools actualiza automticamente el valor de
probabilidad. Evolver, el programa optimizador basado en algoritmo
gentico de Palisade, se puede usar en lugar del Solver para encontrar
la respuesta. A diferencia del Solver, Evolver puede procesar
problemas de optimizacin en los que hay ms de un valor ptimo
local.
28


Captulo 3: Gua de referencia de NeuralTools 29

Captulo 3: Gua de referencia
de NeuralTools

Introduccin 31
Referencia: Iconos de NeuralTools 33
La barra de herramientas de NeuralTools......................................33
Referencia: Comandos del men de NeuralTools 35
Introduccin......................................................................................35
Iconos de los cuadros de dilogo.........................................................36
Referencia de comandos .................................................................37
Comando Administrador de conjunto de datos ...............................37
Comando Entrenar .................................................................................44
Comando Probar.....................................................................................58
Comando Predecir..................................................................................65
Utilidades...........................................................................................71
Comando Configuraciones de aplicacin..........................................71
Comando Administrador de red neuronal ........................................75
Comando Utilidades de reemplazo de datos ....................................77
Comando Sensibilidad de prueba ......................................................80
Informacin adicional sobre redes neuronales 83

30



Captulo 3: Gua de referencia de NeuralTools 31

Introduccin
El captulo Gua de referencia de NeuralTools describe los iconos,
comandos y funciones estadsticas que utiliza NeuralTools. Este
captulo est dividido en dos secciones:

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

32



Referencia: Iconos de NeuralTools 33

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 en una cinta en Excel 2007. Esta seccin
describe brevemente cada icono, explicando las funciones que
realizan y los comandos de men equivalentes. En Excel 2007, todos
los comandos estn disponibles a travs de la cinta de NeuralTools.
Los siguientes iconos aparecen en la barra de herramientas de
NeuralTools en Excel 2003 y/o en los cuadros de dilogo de
NeuralTools.
Icono Funcin 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
34

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



Referencia: Comandos del men de NeuralTools 35

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

36 Introduccin

Iconos de los cuadros de dilogo
Pueden aparecer hasta dos iconos el icono Ayuda y el icono
Configuraciones de aplicacin en los cuadros de dilogo de
NeuralTools. El icono Ayuda permite acceder rpidamente al tema de
ayuda del cuadro de dilogo correspondiente. El icono
Configuraciones de aplicacin abre el cuadro de dilogo
Configuraciones de aplicacin en el que podr introducir o editar las
configuraciones de los informes de NeuralTools, as como las
configuraciones predeterminadas de Entrenamiento, Prediccin y
Tiempo de ejecucin.



Referencia: Comandos del men de NeuralTools 37

Referencia de comandos
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 dilogo Administrador de conjunto
de datos permite aadir o quitar conjuntos de datos, poner nombre a
un conjunto de datos, especificar el diseo de las variables de un
conjunto de datos y poner nombre a las variables de un conjunto de
datos.
NeuralTools se estructura en casos y variables. Se trabaja con un
conjunto de datos, o un conjunto de variables estadsticas, que se
encuentran en columnas contiguas de una hoja de clculo 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
mltiples 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
seleccin actual de Excel. Esto puede facilitar la configuracin del
conjunto de datos con nombres de variable en la fila superior y las
variables distribuidas en columnas.
Qu son
conjuntos de
datos y variables?
38 Referencia de comandos


Las opciones de Conjunto de datos del cuadro de dilogo
Administrador de conjunto de datos son:
Nuevo, Eliminar Aade 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 mltiples rangos de
celda al conjunto de datos, esta opcin va precedida de la
palabra Mltiple.
Aplicar formato de celda Aade una cuadrcula y colores
que identifican los conjuntos de datos.
Mltiple Haga clic en el botn Mltiple en el cuadro de
dilogo Administrador de conjunto de datos para abrir el
cuadro de dilogo Selector de mltiples rangos. Este cuadro
de dilogo permite la introduccin de los rangos de celda
individuales que componen el conjunto de datos de mltiples
rangos de celda.
El cuadro de
dilogo
Administrador de
conjunto de datos

Referencia: Comandos del men de NeuralTools 39

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

NeuralTools permite asignar mltiples rangos de celda de diferentes
hojas de clculo a un solo conjunto de datos. Se puede usar un
conjunto de datos de mltiples rangos cuando:
1) Cada variable del conjunto de datos tiene ms de 65,536 puntos
de datos en Excel 2003 o versiones anteriores, lo cual requiere que
el conjunto de datos se extienda a mltiples hojas de clculo de
un mismo libro de trabajo,
2) Los datos de una variable se encuentran en mltiples bloques
dispersos por las hojas de clculo del libro de trabajo.
Nota: Un conjunto de datos de mltiples rangos no se puede definir
dentro de una sola hoja de clculo. Se pueden definir en mltiples
hojas de clculo dentro de un mismo libro de trabajo.
Conjuntos de
datos de rangos
mltiples
40 Referencia de comandos


Las opciones del cuadro de dilogo Definicin de conjunto de datos
de rango mltiple son:
Borra todo Borra todos los rangos introducidos.
Llenar auto Aplica el primer rango introducido (en la fila 1)
a todas las hojas de clculo visibles del libro de trabajo activo,
e introduce estas referencias de NombreDeHoja!RangoDeCeldas
en la cuadrcula
Seleccionar Muestra un selector para destacar el bloque de
celdas que se usar como Rango del Conjunto de datos.
Los rangos secundarios tienen nombres de variables en la
primera columna (fila) Los conjuntos de datos de mltiples
rangos pueden tener nombres de variables identificando cada
columna de cada rango incluido en el cuadro de dilogo, o
nombres de variables identificando las columnas slo en el
primer rango seleccionado. El primer rango seleccionado es el
rango introducido en la fila 1 del cuadro de dilogo
Definicin de conjunto de datos de rango mltiple.

Referencia: Comandos del men de NeuralTools 41

Cada fila de la cuadrcula del cuadro de dilogo Administrador de
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:
Categora dependiente Variable dependiente o de salida
cuyos valores posibles se toman de un conjunto de posibles
categoras; por ejemplo S o No, o Rojo, Verde o Azul.
Numrica dependiente Variable dependiente o de salida
cuyos posibles valores son numricos.
Categora independiente Variable independiente cuyos
valores posibles se toman de un conjunto de posibles
categoras; por ejemplo S o No, o Rojo, Verde o Azul.
Numrica independiente Variable independiente cuyos
posibles valores son numricos.
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 usarn
para entrenamiento, prueba o prediccin.
Sin usar Una variable de un conjunto de datos que no se
usar en la red neuronal.
Opciones de
variables
42 Referencia de comandos

Las variables de Etiqueta son un tipo especial de variables de la base
de datos de NeuralTools que se usan para marcar los casos de un
conjunto de datos que se usarn para entrenamiento, prueba o
prediccin. Son especialmente tiles si quiere incluir todos los datos
(que se usarn en el entrenamiento, prueba y prediccin 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 prediccin, segn 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 cmo
cambia el funcionamiento de una red. Tambin puede aadir nuevos
casos con valores de variable dependiente desconocidos a un conjunto
de datos y asignar su prediccin con la etiqueta Predecir. La
variable de Etiqueta slo puede tomar tres valores diferentes:
Entrenar Especifica que el caso se usar para
entrenamiento
Probar Especifica que el caso se usar para probar
Predecir Especifica que el caso se usar para predecir
Nota: Si tiene una variable de etiqueta en el conjunto de datos,
cambiarn las opciones del cuadro de dilogo Entrenar. Para obtener
ms informacin, consulte el comando Entrenar.

Informacin
adicional sobre
las variables de
Etiqueta

Referencia: Comandos del men de NeuralTools 43

En una sola sesin, NeuralTools permite usar:
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 nmero de puntos de datos por variable y de casos por conjunto de
datos slo est 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 configuracin del sistema y de la versin de Excel
que utilice. La capacidad de datos tambin se puede ver afectada por
las limitaciones de memoria del propio Excel.
Nota: El cuadro de dilogo 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 dilogo 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 dilogo Administrador
de conjunto de datos.

Capacidad de
conjuntos de
datos y variables
44 Referencia de comandos

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 pestaa Entrenar del cuadro de dilogo Entrenamiento especifica
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 ubicacin 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 ubicacin.
La pestaa
Entrenar

Referencia: Comandos del men de NeuralTools 45


Tambin puede introducir un nombre y una descripcin para la red
neuronal guardada.
Las opciones Cuando el entrenamiento se complete permiten probar
y predecir automticamente usando la red entrenada despus del
entrenamiento. Esto se puede hacer cuando los datos de la prueba y
prediccin se encuentran en el mismo conjunto de datos que los datos
de entrenamiento.
Probar automticamente Especifica que:
1) un % de casos del conjunto de datos que se apartarn
automticamente del entrenamiento para su posterior
uso en la prueba
2) los casos en los que la variable Etiqueta = probar se
usarn para la prueba. Las variables de Etiqueta son un
tipo de variable especificado en el Administrador de
conjunto de datos.
Seleccionar los mismos casos siempre que este nmero sea
el mismo, especifica que se deben usar los mismos casos
para las pruebas cuando los entrenamientos se hacen
mltiples veces. Esto puede ser til al comparar diferentes
tipos de redes neuronales, para eliminar la variabilidad
relacionada con las diferentes selecciones de casos de prueba.
Si se selecciona la casilla de verificacin, se puede introducir
un nmero, y un nmero fijo implica una seleccin fija de
casos de prueba (el nmero es un "generador de nmero
aleatorio").
Recuerde que la Bsqueda de la mejor red usa una seleccin
fija de casos de prueba para comparar mltiples redes,
independientemente de la seleccin de esta casilla de
verificacin.
46 Referencia de comandos

Predecir automticamente los valores dependientes que
faltan Especifica que la red entrenada se usar 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 prediccin en vivo Especifica que NeuralTools
colocar frmulas en las celdas en las que aparecen los
valores de la prediccin de la variable dependiente para
calcular los valores de la prediccin. Para obtener ms
informacin sobre la prediccin en vivo, consulte el comando
Predecir en este mismo captulo.
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.
El propsito de un anlisis de Impacto de variable es medir la
sensibilidad de las predicciones de la red al cambio de las variables
independientes. Este anlisis slo se hace en los datos de
entrenamiento. Como resultado del anlisis, se asigna a cada variable
independiente un valor Impacto relativo de variable; es decir,
valores porcentuales que suman el 100%. Cuanto ms bajo sea el valor
del porcentaje, menos efecto tendr la variable sobre las predicciones.
Los resultados del anlisis pueden ayudar a seleccionar un nuevo
conjunto de variables independientes que haga predicciones ms
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 Anlisis de impacto son relativos a
una red determinada. El hecho de que una red haya aprendido a
descartar una variable determinada hace ms probable que otra red
tambin aprenda a descartarla, si bien otra sesin de entrenamiento
con un tipo diferente de red podra descubrir que la variable puede
contribuir significativamente a la exactitud de las predicciones. En los
conjuntos de datos con nmeros reducidos de casos y /o nmeros
elevados de variables, las diferencias del impacto relativo de las
variables entre redes entrenadas pueden ser ms pronunciadas.
Qu es un
anlisis de
impacto de una
variable?

Referencia: Comandos del men de NeuralTools 47

Adems, 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 precisin de las
predicciones.
Los siguientes son cuestiones adicionales que conviene recordar sobre
el Anlisis de impacto de variable:
1) Slo se incluye en el anlisis el conjunto de datos de
entrenamiento. (Si se usa Auto-Prueba o Auto-Prediccin, esos
casos no se incluyen. La motivo es que pueden tener valores
numricos fuera del rango de entrenamiento, lo cual puede
generar resultados de anlisis ms impredecibles).
2) En el caso de variables independientes de categora, el anlisis
procesa todas las categoras vlidas de esa variable en cada caso, y
mide el cambio en el valor de prediccin. (En las predicciones de
categora no hay valores numricos de prediccin, pero hay
salidas numricas de red en las que se basa la prediccin de
categora; el anlisis usa esas salidas numricas).
3) En el caso de una variable independiente numrica, el anlisis
procesa en cada caso el rango del valor de entrenamiento del
mnimo al mximo, midiendo el cambio del valor de prediccin
(o, en el caso de una prediccin de categora, el cambio de las
salidas numricas).
El propsito del Anlisis de impacto de variable no es el respaldo de
conclusiones firmes, como la afirmacin con un alto nivel de
confianza de que una variable es irrelevante. Ms bien sirve para
ayudar a buscar el mejor conjunto de variables independientes: los
resultados del anlisis pueden indicar que una variable determinada
parece suficientemente irrelevante como para que valga la pena
intentar entrenar una red sin esta variable.
48 Referencia de comandos

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


Referencia: Comandos del men de NeuralTools 49

La pestaa Configuracin de red del cuadro de dilogo
Entrenamiento permite seleccionar el tipo de red neuronal que se
entrenar con los datos. Puede seleccionar una configuracin de red
especfica o seleccionar una bsqueda de Mejor red en la que
NeuralTools probar 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 prediccin de
clasificacin /categora, hay disponibles dos tipos de redes: Redes
neuronales probabilsticas (PN) y Redes multinivel siempre hacia
adelante (MLF). La prediccin numrica se puede realizar usando
redes MLF, as como Redes neuronales de regresin generalizada
(GRN), que estn estrechamente relacionadas con las redes PN. Para
obtener ms informacin sobre los aspectos tcnicos de las
configuraciones de red disponibles, consulte la seccin Informacin
adicional sobre redes neuronales.

La pestaa
Configuracin
de red
50 Referencia de comandos

La pestaa Configuracin de red incluye lo siguiente:
Tipo de red Selecciona el tipo de red que se usar en el
entrenamiento o la bsqueda de la Mejor red. Las Opciones de
la pestaa Configuracin de red cambian dependiendo del tipo
de red seleccionado. Los tipos de redes disponibles son:
1) Bsqueda de mejor red. En la Bsqueda 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 mnimo-mximo
introducido. La configuracin que tenga mejor
funcionamiento para los datos se identifica basndose en
el error obtenido en los datos de la prueba. Si selecciona
Almacenar todas las redes de prueba en un libro de
trabajo nuevo, podr 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 prediccin despus de completar el
entrenamiento; tambin hay disponible un Informe de
resumen completo para cada red.
2) Red PN/GRN. Estos tipos de redes no requieren la
seleccin de opciones adicionales para el entrenamiento;
por esta razn esta configuracin es la predeterminada
cuando se instala NeuralTools. Si los datos tienen valores
de salida numricos, se entrenar una red GRN, y si los
datos tienen valores de salida de categora se entrenar
una red PN.

Referencia: Comandos del men de NeuralTools 51

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, ste se
eliminar. La forma ms fiable de encontrar la mejor
configuracin de una red MLF es usar la opcin
Bsqueda de mejor red en lugar de la opcin de entrenar
una sola red MLF. Si no hay tiempo suficiente para una
Bsqueda de mejor Red, se recomienda que los valores
Nmero de nodos se dejen en Automtico.
La pestaa Tiempo de ejecucin del cuadro de dilogo
Entrenamiento permite introducir condiciones de parada del
entrenamiento. Si no selecciona ninguna condicin de parada, el
entrenamiento acabar detenindose; el periodo de tiempo ser
relativamente corto para las redes PN/GRN, y mucho ms largo para
las redes MLF. Un posible mtodo es no seleccionar condiciones de
parada y hacer clic en el botn Parar del cuadro de dilogo de
progreso del entrenamiento cuando no tenga ms tiempo para
entrenamiento. Con la Bsqueda de mejor red se debe definir un
lmite de tiempo para el entrenamiento de una sola red, para asegurar
que el algoritmo de bsqueda no dedica demasiado tiempo a una
configuracin determinada. Las tres condiciones de parada
disponibles se pueden combinar para especificar que NeuralTools
pare cuando se cumpla cualquiera de las condiciones.
La pestaa
Tiempo de
ejecucin
52 Referencia de comandos


Las opciones de Tiempo de ejecucin de entrenamiento son:
Tiempo Especifica un lmite 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
bsqueda de Mejor red, cada configuracin de red probada se
entrenar durante el tiempo introducido.
Pruebas Especifica que NeuralTools no ejecutar ms de un
nmero especificado de pruebas antes de parar. Con las Redes
multinivel siempre hacia adelante, una prueba es una sola
asignacin de pesos a las conexiones entre neuronas; el
entrenamiento consiste en una bsqueda inteligente de pesos
que generen las mejores predicciones. Con las Redes
neuronales probabilsticas y las Redes neuronales de regresin
generalizada, una prueba es una asignacin de factores de
suavizacin para las variables. El entrenamiento consiste en
una bsqueda de los mejores factores de suavizacin.
Progreso Especifica que NeuralTools parar si no puede
mejorar la estadstica de error al menos el porcentaje
introducido dentro de un tiempo especificado.

Referencia: Comandos del men de NeuralTools 53

El cuadro de dilogo Previsualizacin de entrenamiento muestra la
configuracin del entrenamiento actual de la red junto con cualquier
error detectado en los datos, antes de iniciarse el entrenamiento.
Examinando el contenido de este cuadro de dilogo podr ver todas
las presuposiciones de entrenamiento seleccionadas segn estn en
NeuralTools. La seccin Errores y advertencias ofrece una
descripcin de cualquier problema detectado por NeuralTools en los
datos o en las configuraciones, que podr corregir si fuera necesario
antes de dedicar tiempo al entrenamiento.

Cuadro de dilogo
Previsualizacin
de entrenamiento
54 Referencia de comandos

La ventana de progreso del entrenamiento informa del estado de
entrenamiento de la red durante su ejecucin. Los grficos detallan el
funcionamiento de NeuralTools durante la mejora de la red y la
reduccin de los errores generados.
La ventana de progreso del entrenamiento informa de los errores en
los datos de entrenamiento. La observacin de cambios en este valor
no debe llevar a ninguna conclusin sobre la calidad de las
predicciones que la red har de los casos no utilizados en el
entrenamiento. Las conclusiones deben basarse en el error obtenido
en los datos de entrenamiento. Adems, recuerde que con
predicciones numricas, el error que aparece en la ventana de
progreso es el error cuadrtico medio basado en datos a escala
(consulte la informacin sobre escala en la seccin Transformacin
de entradas). En las predicciones de categora, el error que aparece es
una representacin numrica de los datos de categora.


La ventana de
progreso del
entrenamiento

Referencia: Comandos del men de NeuralTools 55

Despus del entrenamiento se pueden crear informes de resumen y
detallados. Estos informes detallan el funcionamiento de la red
neuronal entrenada. El contenido de los informes generados se
especifica en el cuadro de dilogo Configuraciones de aplicacin, en
las configuraciones Informes a generar y Columnas en los informes
detallados.
Informe de resumen de entrenamiento El informe de
resumen de entrenamiento ofrece estadsticas y grficos sobre
el funcionamiento de la red neuronal entrenada.

Informes de
entrenamiento
56 Referencia de comandos

En la prediccin de categora/clasificacin, las estadsticas y grficas
clave del informe de resumen de entrenamiento son las siguientes:
1) % de predicciones incorrectas El porcentaje de casos para
los que la categora de la prediccin no coincide con la
categora real.
2) Probabilidad incorrecta media (slo disponible para las
redes PN) NeuralTools calcula la Probabilidad de categoras
incorrectas en cada caso, que es la suma de las probabilidades
asignadas por la red PN a categoras 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 prediccin de categora,
correspondiente al Error residual en la prediccin numrica.
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
probabilstica a cada posible categora de la variable
dependiente. Para hacerlo, seleccione Configuraciones de
aplicacin en el men Utilidades y haga clic en el men
desplegable situado a la derecha de la fila Columnas en los
informes detallados. Aparecer el cuadro de dilogo
NeuralTools Columnas a mostrar en los informes
detallados. En ese cuadro de dilogo seleccione
Probabilidades de todas las categoras (para PN) para la
Prueba. Luego, entrene la red PN con el conjunto de datos con
al menos 3 categoras en la variable dependiente (puede usar
el archivo de ejemplo Prstamos para autos.xls) con la opcin
Probar automticamente seleccionada. En el informe
detallado resultante, observe la relacin entre los valores de la
columna % Incorrecto y las probabilidades asignadas a cada
posible categora; el % Incorrecto es la suma de las
probabilidades de todas las categoras incorrectas.
3) Matriz de clasificacin Compara las categoras reales y las
de prediccin por cada categora. Por ejemplo, la matriz de
clasificacin puede revelar que la red detecta correctamente
una condicin mdica en pacientes que la tienen, pero tiene
cierta tendencia a levantar falsas alarmas en pacientes sanos.

Referencia: Comandos del men de NeuralTools 57

4) Impactos de variable Cuando se selecciona, muestra el
impacto relativo de las variables independientes sobre las
respuesta de la prediccin.
5) Histograma de probabilidad de categoras incorrectas (slo
disponible en las redes PN) Consulte el punto anterior
Probabilidad incorrecta media para ver la explicacin de la
Probabilidad de categoras incorrectas.
En la prediccin numrica, las estadsticas y grficas clave del informe
de resumen de entrenamiento son las siguientes:
1) % de predicciones incorrectas Una prediccin cuenta como
incorrecta si se encuentra fuera del margen definido
alrededor del valor; el ancho del margen se define en la
configuracin Tolerancia correcta / incorrecta
(entrenamiento) del cuadro de dilogo Configuraciones de
aplicacin.
2) Error cuadrtico medio Una medida de desviacin de las
predicciones con respecto al valor (calculado como la raz
cuadrada de la desviacin promedio al cuadrado).
3) Error absoluto medio Desviacin 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 prediccin.
5) Histograma de residuales Residual es la diferencia que
hay entre el valor real y el de la prediccin.
6) Diagramas de dispersin que muestran las relaciones entre
los valores reales, los valores de prediccin y los residuales.
58 Referencia de comandos

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 dilogo Probar son:
Conjunto de datos Muestra el conjunto de datos que se va a
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 clculo activa.
Red a usar Especifica el nombre y la ubicacin 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
ubicacin.



Referencia: Comandos del men de NeuralTools 59

Asignacin de variables Especifica cmo se emparejarn las variables
del conjunto de datos que se va a probar con las variables del
conjunto de datos que se us para el entrenamiento de la red.

Para la asignacin de variables hay dos opciones:
1) Asignacin automtica. Los nombres de bariables de los
datos de prueba se asignan segn el nombre con los del
conjunto de datos de la red entrenada, y los tipos de
variable se establecen basndose en esta asignacin
2) Asignacin personalizada. La asignacin personalizada
permite establecer individualmente la asignacin 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 dilogo Asignacin de variables contiene los nombres de
las variables de cada conjunto de datos para facilitar su asignacin.
Slo 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 asignacin anterior,
puede ver todas las asignaciones hechas anteriormente y acceder a
una serie de asignaciones anteriores para el conjunto de datos.
Asignacin de
variables
60 Referencia de comandos

El cuadro de dilogo Previsualizacin de prueba muestra la
configuracin de la prueba actual de la red junto con cualquier error
detectado en los datos, antes de iniciarse la prueba. Examinando el
contenido de este cuadro de dilogo podr ver todas las
presuposiciones de la prueba seleccionadas segn estn en
NeuralTools. La seccin Errores y advertencias ofrece una
descripcin de cualquier problema detectado por NeuralTools en los
datos que podr corregir si fuera necesario antes de hacer la prueba.

Cuadro de dilogo
Previsualizacin
de prueba

Referencia: Comandos del men de NeuralTools 61

Despus de la prueba se pueden crear informes de resumen y
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 dilogo
Configuraciones de aplicacin, en las configuraciones Informes a
generar y Columnas en los informes detallados. El informe detallado
resulta especialmente til 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 estadsticas y grficos sobre el funcionamiento de la
red neuronal entrenada con el conjunto de datos de prueba.

Informes de
prueba
62 Referencia de comandos

En la prediccin de categora, las estadsticas y grficas clave del
informe de resumen de prueba son las siguientes:
1) % de predicciones incorrectas El porcentaje de casos para
los que la categora de la prediccin no coincide con la
categora real.
2) Probabilidad incorrecta media (slo disponible para las redes
PN) NeuralTools calcula la Probabilidad de categoras
incorrectas en cada caso, que es la suma de las probabilidades
asignadas por la red PN a categoras 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 prediccin de categora,
correspondiente al Error residual en la prediccin numrica.
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
probabilstica a cada posible categora de la variable
dependiente. Para hacerlo, seleccione Configuraciones de
aplicacin en el men Utilidades y haga clic en el men
desplegable situado a la derecha de la fila Columnas en los
informes detallados. Aparecer el cuadro de dilogo
NeuralTools Columnas a mostrar en los informes
detallados. En ese cuadro de dilogo seleccione
Probabilidades de todas las categoras (para PN) para la
Prueba. Luego, entrene la red PN con el conjunto de datos con
al menos 3 categoras en la variable dependiente (puede usar
el archivo de ejemplo Prstamos para autos.xls) con la opcin
Probar automticamente seleccionada. En el Informe
detallado resultante, observe la relacin entre los valores de la
columna % Incorrecto y las probabilidades asignadas a cada
posible categora; el % Incorrecto es la suma de las
probabilidades de todas las categoras incorrectas.
3) Matriz de clasificacin Compara las categoras reales y las
de prediccin por cada categora. Por ejemplo, la matriz de
clasificacin puede revelar que la red detecta correctamente
una condicin mdica en pacientes que la tienen, pero tiene
cierta tendencia a levantar falsas alarmas en pacientes sanos.

Referencia: Comandos del men de NeuralTools 63

4) Histograma de probabilidad de categoras incorrectas (slo
disponible en las redes PN) Consulte el punto anterior
Probabilidad incorrecta media para ver la explicacin de la
Probabilidad de categoras incorrectas.
En la prediccin numrica, las estadsticas y grficas clave del informe
de resumen de prueba son las siguientes:
1) % de predicciones incorrectas Una prediccin cuenta como
incorrecta si se encuentra fuera del margen definido
alrededor del valor; el ancho del margen se define en la
configuracin Tolerancia correcta / incorrecta (prueba) del
cuadro de dilogo Configuraciones de aplicacin.
2) Error cuadrtico medio Una medida de desviacin de las
predicciones con respecto al valor (calculado como la raz
cuadrada de la desviacin promedio al cuadrado).
3) Error absoluto medio Desviacin 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 prediccin.
5) Diagramas de dispersin que muestran las relaciones entre
los valores reales, los valores de prediccin 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.

64 Referencia de comandos

En el informe detallado de prueba, las predicciones se marcan como
Correctas o Incorrectas basndose en el nivel de tolerancia
establecido en el cuadro de dilogo Configuraciones de aplicacin. Si
ejecuta mltiples pruebas, los Informes Detallados se pueden aadir
en nuevas columnas a la derecha del conjunto de datos de prueba,
para que pueda ver cmo cambian las predicciones en cada caso
individual por cada prueba de las nuevas redes entrenadas.
Mientras examina el Informe detallado, puede acceder rpidamente a
la informacin del Informe de resumen mediante un comentario
desplegable que aparece en Excel. Slo tiene que pasar el ratn sobre
el encabezamiento del informe para que aparezca el comentario
desplegable. Nota: Para que los comentarios desplegables aparezcan,
la funcin de comentarios debe activarse en la pestaa Visualizacin
de Excel.


Resmenes
rpidos de los
informes
detallados

Referencia: Comandos del men de NeuralTools 65

Comando Predecir
Especifica las configuraciones de los valores de la prediccin
realizada con una red neuronal entrenada y ejecuta la prediccin
El comando Predecir permite 1) especificar las configuraciones que
se van a usar para la prediccin con una red neuronal entrenada e
2) ejecutar la prediccin.

Los datos a predecir normalmente son casos con valores de variable
dependiente desconocidos. Las opciones del cuadro de dilogo
Prediccin son:
Conjunto de datos Muestra el conjunto de datos que se va a
usar para la prediccin. Este conjunto de datos debe definirse
usando el Administrador de conjunto de datos y debe estar
presente en la hoja de clculo activa.
Red a usar Especifica el nombre y la ubicacin de la red
neuronal que se va a usar para la prediccin. 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 ubicacin.
Asignacin de variables Especifica cmo se emparejarn las
variables del conjunto de datos de prediccin con las
variables del conjunto de datos que se us para el
entrenamiento de la red. Haga clic en Editar para cambiar
la asignacin de variables. Para obtener ms informacin
66 Referencia de comandos

sobre la Asignacin de variables, consulte el comando
Probar en este mismo captulo.
Predecir para Seleccione los casos para los que se va a hacer
la prediccin. Normalmente se selecciona la prediccin 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, slo se har la prediccin de los valores de variable
dependiente para los Casos con etiqueta "predecir".
Opciones Establece la ubicacin del valor de la prediccin y
las opciones de prediccin en vivo.
1) Colocar valores de prediccin en el conjunto de datos.
Esta opcin especifica que los valores de la prediccin se
coloquen en la ubicacin de la variable dependiente del
conjunto de datos para cada caso de la prediccin,
adems de colocarse posiblemente en el Informe
detallado (dependiendo de si los Informes Detallados
estn seleccionados en la configuracin Informes a
generar de las Configuraciones de aplicacin). Esta
opcin sustituir el contenido actual de la celda, por lo
que debe usarse con cuidado. Podr identificar los valores
de prediccin por su color en el conjunto de datos.
2) Activar prediccin en vivo Especifica que NeuralTools
colocar frmulas en las celdas en las que aparecen los
valores de la prediccin de la variable dependiente. Estas
frmulas permiten a NeuralTools calcular los valores de
la prediccin cuando se cambian los valores
independientes.
3) Excluir prediccin en vivo para casos con valores que
faltan o no vlidos Especifica que la frmula de
prediccin en vivo no se aada 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
frmulas de prediccin en vivo. Sin embargo, puede ser
til permitir que NeuralTools introduzca frmulas en
casos en los que falten los valores independientes, porque
en cuanto se introduzcan los valores que faltan, la
prediccin aparecer automticamente.

Referencia: Comandos del men de NeuralTools 67

Prediccin en vivo es una eficaz funcin de NeuralTools (slo en la
versin Industrial) que permite realizar predicciones
automticamente en Excel sin tener que realizar una operacin de
Prediccin especfica. Con la prediccin en vivo, NeuralTools coloca
frmulas en las celdas en las que aparecen los valores de la prediccin
de la variable dependiente. Estas frmulas usan una funcin
personalizada de NeuralTools para calcular los valores de la
prediccin, como sucede en:
=NetOutputPrediction(_PALDS_DG25B8C82B!$A$140,
DG25B8C82B, VG1DD83AF2, 'Datos de
Prediccin'!$A$6:$I$6, A7:I7)
NeuralTools aade la frmula a la hoja de clculo y no es necesario
que usted la introduzca. Los argumentos permiten a NeuralTools
identificar la red entrenada en uso, as como la ubicacin de los
valores independientes en la hoja de clculo. Cuando se aaden o
cambian los valores de variable independiente de entrada de un caso,
NeuralTools genera automticamente un nuevo valor de prediccin.
Esto facilita la introduccin y generacin de predicciones para nuevos
casos usando una red entrenada existente.
Nota: Si la prediccin se basa en valores de celda que no se espera que
cambien, se recomienda deseleccionar la prediccin en vivo en el
cuadro de dilogo de entrenamiento o prediccin; para minimizar el
tiempo que tarda Excel en recalcular el libro de trabajo.
Prediccin en
vivo
68 Referencia de comandos

El cuadro de dilogo Previsualizacin de prediccin muestra la
configuracin de la prediccin del conjunto de datos seleccionado
junto con cualquier error detectado en los datos o configuraciones,
antes de iniciarse la prediccin. Examinando el contenido de este
cuadro de dilogo podr ver todas las presuposiciones de prediccin
seleccionadas segn estn en NeuralTools. La seccin Errores y
advertencias ofrece una descripcin de cualquier problema detectado
por NeuralTools en los datos que podr corregir si fuera necesario
antes de hacer la prediccin.

Cuadro de dilogo
Previsualizacin
de prediccin

Referencia: Comandos del men de NeuralTools 69

Despus de la prediccin se pueden crear informes de resumen y
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 dilogo
Configuraciones de aplicacin, en las configuraciones Informes a
generar y Columnas en los informes detallados.
Informe detallado de prediccin. Este informe se coloca junto al
conjunto de datos de la prediccin. Proporciona una ubicacin
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 histricos de algunos
casos, es ms seguro no mezclar esos casos histricos con las
predicciones de la red.

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

Informes de
prediccin
70



Referencia: Comandos del men de NeuralTools 71

Utilidades
Comando Configuraciones de aplicacin
Especifica las configuraciones de los informes de
entrenamiento, prueba y prediccin
El comando Configuraciones de aplicacin permite seleccionar 1) los
informes que se van a generar para entrenamiento, prueba y
prediccin, 2) las configuraciones predeterminadas de Entrenamiento
que se van a usar y 3) las configuraciones predeterminadas de
Prediccin y Tiempo de ejecucin que se van a usar. Muchas de las
Configuraciones de aplicacin son los valores predeterminados que se
usarn en los cuadros de dilogo de Entrenamiento, Prueba y
Prediccin. Para obtener ms informacin sobre esas configuraciones,
consulte la descripcin de esos cuadros de dilogo. Las dems
configuraciones se explican aqu.

72 Utilidades

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
configuracin de informes predeterminada, ya que ciertos
informes aportan poca informacin a algunas operaciones. Por
ejemplo, el informe detallado es el informe estndar de
prediccin, porque el informe de resumen aporta poco.

Los informes de resumen se colocan en sus propias hojas de
clculo, mientras que los informes detallados se colocan en
columnas a la derecha del conjunto de datos, en la misma hoja
de clculo 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 clculo para cada informe. Para los informes puede
reutilizar el mismo libro de trabajo o crear siempre un
libro de trabajo nuevo.
Las opciones de Localizacin 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
ratn sobre los encabezamientos de las columnas, y luego
seleccione Eliminar en el men 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.
Informes

Referencia: Comandos del men de NeuralTools 73

Columnas en los informes detallados. Por cada fila
seleccionada, aparecer a la derecha del conjunto de datos una
columna del Informe detallado que mostrar la informacin 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 prediccin
para un caso determinado.
2) Prediccin obtenida usando red Nmero o categora de
prediccin de la red.
3) Probabilidad de la categora de prediccin (para PNN)
Las Redes neuronales probabilsticas no slo predicen
una categora desconocida, sino que asignan una
probabilidad a esa categora. No est disponible cuando
las categoras se predicen usando redes multinivel
siempre hacia adelante. No es aplicable en las
predicciones numricas.
4) Probabilidad de las categoras incorrectas (para PNN)
Suma de las probabilidades asignadas por una red PN a
categoras 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 prediccin de
categora, correspondiente a la columna Error residual
en la prediccin numrica.
5) Error residual la diferencia entre el valor dependiente
real y el de la prediccin. No es aplicable en las
predicciones de categora.
74 Utilidades

6) Evaluaciones correctas / incorrectas En las predicciones
numricas, la columna indica si la prediccin de un caso
determinado se encuentra dentro del margen definido
alrededor del valor real; el ancho del margen se define en
Evaluacin de tolerancia correcta / incorrecta. En las
predicciones de categora, la columna simplemente indica
si la categora de la prediccin coincide con la real.
7) Probabilidad de todas las categoras (para PNN) Si se
selecciona esta opcin y se entrena una red neuronal
probabilstica, se inserta una columna por cada categora
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.
Evaluacin de tolerancia correcta / incorrecta. En pruebas y
entrenamientos, si una prediccin numrica est dentro del %
introducido del valor real de la variable dependiente, se
etiqueta como correcta.

Referencia: Comandos del men de NeuralTools 75

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
aadir informacin 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 nmero ilimitado de redes. Usando el
Administrador de red neuronal, puede mover redes a libros de
trabajo o archivos, eliminarlas o reemplazarlas. Esto permite analizar
fcilmente conjuntos de datos de otros libros de trabajo usando redes
neuronales existentes, sin que est presente el libro de trabajo con los
datos de entrenamiento.
76 Utilidades

Las opciones del Administrador de red neuronal son:
Copiar Permite copiar una red neuronal entrenada en una
ubicacin diferente. Slo 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 funcin est disponible con las redes que se usan
para prediccin en vivo. Despus del reemplazo, las
predicciones en vivo que se hicieron anteriormente usando la
red antigua se harn 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, despus del reemplazo los valores de las celdas
sern fijos.
Informacin de red Permite introducir informacin
descriptiva en la red. Ayuda a identificar la red entrenada y las
condiciones en las que se entren.




Referencia: Comandos del men de NeuralTools 77

Comando Utilidades de reemplazo de datos
Permite reemplazar los datos que faltan y los valores errneos
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 prediccin; por lo
tanto, conviene corregir estos casos antes de procesarlos.
El cuadro de dilogo Previsualizacin de entrenamiento mostrar 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 dilogo 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 clculo actual y muestra el
nmero de datos que faltan, son errneos (para las variables
numricas) o no son numricos. Si marca una variable la
selecciona para que se reemplacen los datos que faltan o no
deseados.
78 Utilidades

La lista de variables proporciona un men que se activa con el
botn derecho de ratn que incluye comandos para la seleccin y
deseleccin de grupos de variables.
Valores a reemplazar Selecciona el tipo de valores de las
variables seleccionadas que se van a reemplazar. Valor especfico
permite reemplazar todos los casos de una valor especfico de una
variable por un nuevo valor.
Qu 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 Categora y Numricas:
Las opciones de Variables de categora son:
- Categora ms frecuente o menos frecuente El valor de
categora que aparece con mayor frecuencia o con menor
frecuencia en los casos del conjunto de datos
- Categora adyacente El valor de categora que aparece en el
caso del conjunto de datos junto al caso al que le falta el valor
- Categora seleccionada aleatoriamente Un valor de
categora seleccionado aleatoriamente de entre los del
conjunto de datos
- Categora especfica Establece un valor especfico para
todos los valores que faltan o no deseados
Las opciones de Variables numricas 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
- Interpolacin de valores adyacentes El valor calculado
mediante la interpolacin 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 Mn. y Mx.) Un valor aleatorio
seleccionado entre el mnimo y el mximo 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.

Referencia: Comandos del men de NeuralTools 79

El cuadro de dilogo Utilidades de reemplazo de valores proporciona
una forma de resolver los datos que faltan: genera datos artificiales
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
smbolos especiales como ? en lugar de datos que faltan; los signos
de interrogacin deben borrarse, y esto se puede hacer con el
comando Utilidades de reemplazo de datos, seleccionando Valor
especfico en la seccin Valores a reemplazar, y seleccionando
Borrar celdas en la seccin Qu usar como reemplazo.
Tambin 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 indicarn si una red entrenada para
predecir valores que faltan es fiable.

Informacin
adicional sobre
valores que faltan
80 Utilidades

Comando Sensibilidad de prueba
Determina si los resultados de la prueba son estables bajo
diferentes selecciones aleatorias de casos de prueba
El anlisis de Sensibilidad de prueba contribuye a tener en cuenta la
posibilidad de que los buenos resultados de prueba se obtuvieran por
suerte. Los valores de una medicin de prueba pueden diferir segn
la sesin de entrenamiento, si el subgrupo de casos que se usan para
la prueba se selecciona aleatoriamente. Cuanto ms pequeo sea el
grupo de datos, ms probable ser la variacin; por lo tanto, con un
grupo de datos pequeo, los resultados de prueba de una sola sesin
de entrenamiento pueden no ser fiables. Los anlisis de Sensibilidad
de prueba determinan si los resultados de la prueba son estables bajo
diferentes selecciones de casos de prueba. Tambin contribuye a
estimar el porcentaje de casos deben reservarse para la prueba.

El cuadro de dilogo Sensibilidad de prueba incluye las siguientes
opciones:
% de casos reservados para prueba se pueden introducir
mltiples valores de porcentaje. Cada valor se incluye en el
anlisis, reservando el porcentaje especificado de casos para
la prueba durante mltiples sesiones de entrenamiento.

Referencia: Comandos del men de NeuralTools 81

Nmero a entrenar en cada valor de % El nmero de
sesiones de entrenamiento de cada valor de porcentaje
indicado arriba.
Ajustes de Configuracin de red Las mltiples sesiones de
entrenamiento que se incluyen en el anlisis comparten la
misma configuracin de red. Para obtener detalles sobre cmo
especificar la configuracin de red, consulte la documentacin
del cuadro de dilogo de entrenamiento.
La seccin inferior del cuadro de dilogo proporciona una estimacin
del tiempo que tardar en completarse el anlisis. Esto puede basarse
en una sesin de entrenamiento completada, o en la configuracin de
Tiempo de ejecucin del cuadro de dilogo de entrenamiento.
El anlisis genera un informe que muestra los rangos entre los valores
mnimo y mximo de una medicin de prueba obtenida de mltiples
sesiones de entrenamiento.



82



Informacin adicional sobre redes neuronales 83

Informacin adicional sobre
redes neuronales
Fundamentos de las redes neuronales
Una red neuronal es un sistema que toma valores numricos de
entrada, realiza permutaciones con esos valores de entrada, y genera
uno o ms valores numricos de salida. Cuando se disea y entrena
una red neuronal para una aplicacin especfica, genera valores de
salida aproximadamente correctos para valores de entrada
determinados. Por ejemplo, una red puede tener valores de entrada
que representen algunas caractersticas fcilmente cuantificables de
un molusco (una oreja marina), como su longitud, dimetro y peso.
Los clculos realizados dentro de la red dan como resultado un solo
nmero, que generalmente es cercano a la edad del animal (la edad de
una oreja de mar es difcil de determinar).
Las redes neuronales se inspiran en la estructura del cerebro. Un
cerebro consta de un gran nmero de clulas, conocidas como
neuronas. La neurona recibe impulsos de otras neuronas a travs de
las dendritas. Dependiendo de los impulsos recibidos, la neurona
puede enviar una seal a otras neuronas, a travs de su axn, 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 funcin relativamente sencilla de los valores de
entrada.
84 Fundamentos de las redes neuronales

Redes neuronales y mtodos estadsticos
Las redes neuronales proporcionan una alternativa a los ms
tradicionales mtodos estadsticos. Como la regresin lineal, sirve
para aproximacin de funciones. Como el anlisis discriminatorio y la
regresin logstica, sirve para clasificacin. La ventaja de las redes
neuronales es que son capaces de modelar funciones extremadamente
complejas. Esta capacidad contrasta con las tcnicas lineales
tradicionales (regresin lineal y anlisis discriminatorio lineal). Las
tcnicas para optimizar modelos lineales eran bien conocidas antes de
la invencin de las redes neuronales a mediados del Siglo XX. Se
tardaron muchos aos 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 mtodos ms
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 clculo dentro de la red: la neurona toma algunos nmeros como
valores de entrada, realiza un clculo 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 estn organizadas en capas o niveles. Las neuronas de
las capas de entrada reciben los valores de entrada para los clculos,
como la longitud, dimetro y peso de un molusco determinado. Estos
valores se trasladan a las neuronas de la primera capa oculta, que
realizan los clculos 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 ltima
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.

Informacin adicional sobre redes neuronales 85

Prediccin numrica y de categoras
Cuando las redes neuronales se usan para predecir valores numricos,
normalmente slo tienen un valor de salida. La razn es que las redes
con un solo valor de salida son ms fiables que las redes con mltiples
valores de salida, y casi cualquier problema de prediccin 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 da 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 mltiples valores de salida
cuando se utilizan para la prediccin de clasificacin /categora. Por
ejemplo, supongamos que queremos predecir si el precio de un valor
de bolsa subir ms del 1%, bajar ms del 1% o no cambiar
ms del 1% para el da siguiente. La red tendr tres valores
numricos de salida y el valor de salida mayor indicar la categora
seleccionada por la red.
Entrenamiento de una red
El entrenamiento de una red es un proceso de ajuste fino de los
parmetros de un clculo, en el que el propsito es que el la red
genere valores de salida que sean aproximadamente correctos para
una serie de valores de entrada. Este proceso est 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 parmetros de clculo, y evala 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
parmetros es una prueba; el algoritmo de entrenamiento
selecciona nuevos grupos de parmetros basndose en los resultados
de pruebas anteriores.
86 Fundamentos de las redes neuronales

Procesamiento en computadora de las redes
neuronales
Una red neuronal es un modelo de clculos que se pueden realizar en
varios tipos de hardware de computadora. Una red neuronal se puede
construir con pequeos 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 mayora de las
computadoras actuales. Con computadoras con un solo procesador,
programas como NeuralTools usan el mismo procesador para realizar
los clculos de cada neurona; en este caso, el concepto de neurona
describe una parte de los clculos necesarios para obtener una
prediccin, y no un elemento de procesamiento fsico.
Tipos de redes neuronales
Hay varios tipos de redes neuronales que difieren en estructura, tipo
de clculos 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 cuntas neuronas deben contener las
capas ocultas (NeuralTools ofrece ayuda para hacer las selecciones
apropiadas, como se describe en la seccin Redes MLF). NeuralTools
tambin ofrece Redes neuronales de regresin generalizada y Redes
neuronales probabilsticas; ambas estn estrechamente relacionadas,
siendo las primeras para predicciones numricas, y las ltimas para
predicciones de clasificacin / categora. 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
tamao de la segunda capa determinado por ciertas caractersticas de
los datos de entrenamiento.
Las secciones restantes de este captulo tratan con ms detalle cada
uno de los tipos de red neuronal que ofrece NeuralTools.


Informacin adicional sobre redes neuronales 87

Redes multinivel siempre hacia adelante
Las Redes multinivel siempre hacia adelante (tambin conocidas
como Redes de Perceptrn de Mltiples Capas) son sistemas
capaces de aproximacin 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 prediccin
numrica con tres variables numricas 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 topologa (el nmero de capas ocultas y el nmero de nodos de
esas capas)
Los pesos de las conexiones (un parmetro asignado a cada
conexin) y los trminos de tendencia (un parmetro asignado a
cada neurona)
La funcin de activacin / transferencia que se usa para convertir
los valores de entrada de cada neurona en su valor de salida
88 Redes multinivel siempre hacia adelante

Ms especficamente, una neurona oculta con n valores de entrada
calcula primero una suma clasificada de sus valores de entrada:
Suma = in
0
* w
0
+ in
1
* w
1
+ ... + in
n
* w
n
+ tendencia
donde de in
0
a in
n
son valores de salida de las neuronas de la capa
anterior, mientras que de w
0
a w
n
son los pesos de conexin; cada
neurona tiene su propio valor de tendencia. Luego se aplica la funcin
de activacin a la Suma para generar el valor de salida de la neurona.
Se usa una funcin sigmoide (con forma de s) como funcin de
activacin en las neuronas de la capa oculta. Concretamente,
NeuralTools usa la funcin de tangente hiperblica. En NeuralTools,
la neurona de salida usa la identidad como funcin de activacin; es
decir, simplemente genera la suma clasificada de sus valores de
entrada. Las redes neuronales a veces se construyen con funciones de
activacin sigmoides en las neuronas de salida. Sin embargo, eso no
es necesario en una red neuronal para que pueda aproximar las
funciones complejas. Adems, las funciones sigmoides tienen rangos
de salida restringidos (de -1 a 1 para la funcin de tangente
hiperblica) y normalmente habr valores dependientes situados
fuera del rango. Por lo tanto, el uso de una funcin sigmoide en la
neurona de salida fuerza una transformacin adicional de los valores
de salida antes de transferir los datos de entrenamiento a la red.
Cuando se usan las redes MLF para clasificacin, tienen mltiples
neuronas de salida, cada una de las cuales corresponde a una de las
posibles categoras dependientes. Una red clasifica cada caso
calculando sus valores de salida numricos; la categora seleccionada
es la que corresponde a la neurona que genera el valor de salida
ms alto.

Informacin adicional sobre redes neuronales 89

Entrenamiento de una red MLF
El entrenamiento de una red MLF consiste en encontrar una serie de
pesos y trminos 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 trmino de
tendencia en la siguiente presentacin). El entrenamiento comienza
con la asignacin de una serie de pesos de conexiones seleccionados
aleatoriamente. Se hace una prediccin para cada caso del
entrenamiento (usando valores independientes como valores de
entrada para obtener un valor de salida). El valor de salida ser
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 funcionar demasiado bien con la asignacin aleatoria
inicial de pesos y habr que proceder con subsiguientes pruebas:
nuevas asignaciones de pesos. Sin embargo, las asignaciones de pesos
ya no sern aleatorias, sino que sern seleccionadas por el algoritmo
de entrenamiento: un mtodo para seleccionar pesos de conexiones
basado en los resultados de pruebas anteriores. El problema es de
optimizacin: queremos minimizar la medida de error cambiando los
pesos de las conexiones.
El primer algoritmo para el entrenamiento de pesos de conexiones en
redes MLF era de propagacin hacia atrs; en la actualidad los
investigadores tienden a favorecer otros algoritmos ms rpidos y con
mayor probabilidad de encontrar resultados globales ptimos.
NeuralTools usa el mtodo de Gradiente descendente conjugado,
que pertenece a la categora de mtodos de optimizacin de segundo
orden. Estos mtodos de optimizacin determinsticos han sido
diseados para encontrar el mnimo local de una funcin:
evolucionan eficazmente pendiente abajo en la funcin de error. Para
reducir el riesgo de encontrar el mnimo local en lugar del global,
NeuralTools combina mtodos de optimizacin determinsticos y
estocsticos. Ms especficamente, se usa el mtodo estocstico
Recocido Simulado junto con el mtodo Gradiente Descendente
Conjugado. El algoritmo decide el mtodo que se debe usar en un
punto determinado, basndose en los resultados de pruebas
anteriores. Para obtener ms informacin sobre el mtodo Gradiente
Descendente Conjugado, consulte Bishop (1995) y Masters (1995).
Para obtener informacin adicional sobre el mtodo Recocido
Simulado consulte Masters (1995).
Datos histricos
90 Redes multinivel siempre hacia adelante

La medicin del error que se utiliza cuando se entrenan redes de
prediccin numrica es el error cuadrtico 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 ms de un valor de
salida (cada valor de salida corresponde a una categora dependiente).
Calculamos el error cuadrtico 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 categora
correcta, y el resto de los valores de salida sean cercanos a 0.
Los algoritmos de entrenamiento de MLF de NeuralTools se reinicia a
s mismo mltiples veces desde pesos iniciales diferentes. Por lo tanto,
cuanto ms se entrena una red, mejor. Cuantas ms veces se pueda
reiniciar, ms probable ser que encuentre el mnimo global de la
funcin de error.
La seleccin del nmero de capas y del nmero de neuronas de cada
capa determina si la red es capaz de aprender la relacin entre las
variables independientes y las dependientes. Normalmente, una red
con una sola capa oculta y dos neuronas ocultas no ser capaz de
entrenarse hasta alcanzar un nivel satisfactorio de error. Sin embargo,
aumentar el nmero 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. Adems,
unas pocas neuronas en una sola capa oculta normalmente es
suficiente.
NeuralTools puede autoconfigurar la topologa de la red basndose
en los datos entrenados. Sin embargo, la funcin de Bsqueda de
mejor red ofrece un mtodo ms fiable. Como parte de la Bsqueda
de mejor red, se entrena un rango de redes de una sola capa oculta
con diferente nmero de neuronas. La opcin predeterminada es
cinco redes MLF, con un nmero 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.
Medidas de error
Tiempo de
Entrenamiento
Seleccin de
topologa

Informacin adicional sobre redes neuronales 91

El trmino exceso de entrenamiento se refiere a una situacin en la
que la red aprende no slo las caractersticas generales de la relacin
entre las variables independientes y la variable dependiente, sino que
adems empieza a aprender caractersticas de los casos de
entrenamiento que no son aplicables en general; es decir, que no se
aplicarn 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 usar despus del entrenamiento. El
error del conjunto de prueba y entrenamiento se calcula
peridicamente durante el entrenamiento. Cuando comienza a
aumentar, se interpreta como una seal de que la red empieza a tener
un entrenamiento excesivo, y el entrenamiento se detiene.
NeuralTools utiliza un mtodo diferente para evitar el exceso de
entrenamiento. El mtodo 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. Adems, 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 podra reducirse con el entrenamiento. La Bsqueda de mejor
red de NeuralTools ha sido diseada para evitar el exceso de
entrenamiento. Con las configuraciones predeterminadas, la
Bsqueda de mejor red se inicia con una red de 2 neuronas, que es
normalmente demasiado pequea para producir exceso de
entrenamiento. Con las configuraciones predeterminadas, entrenar
redes de hasta 6 neuronas. Si las redes de 5 y 6 neuronas producen un
exceso de entrenamiento, aparecer en los resultados del conjunto de
entrenamiento, y una de las redes de 2, 3 o 4 neuronas tendr el error
de prueba ms bajo.

Cmo evitar el
exceso de
entrenamiento
92



Informacin adicional sobre redes neuronales 93

Redes neuronales de regresin generalizada y
redes neuronales probabilsticas
Las redes neuronales de regresin generalizada y las redes neuronales
probabilsticas se basan en ideas similares. Las redes GRN se usan
para aproximacin de predicciones / funciones numricas, mientras
que las redes PN se usan para predicciones de categoras y
clasificacin. 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 presentacin se resume a continuacin. Consulte estas fuentes
para obtener informacin adicional.
Redes neuronales de regresin generalizada
Como ejemplo, considere el conjunto de datos de entrenamiento que
se muestra en el grfico, con una variable numrica independiente y
una variable numrica dependiente.
-1000
-800
-600
-400
-200
0
200
400
600
800
1000
1200
-12 -10 -8 -6 -4 -2 0 2 4 6 8 10 12

94 Redes neuronales de regresin generalizada y redes neuronales probabilsticas

Un observador humano puede detectar un patrn en los datos. Si nos
preguntan cul es el valor dependiente desconocido del valor
independiente 6, podemos estimar que es mayor de 200 y menor de
400. Observe que esta estimacin no se basa en los dos casos
conocidos ms cercanos, que indicaran un valor por debajo de 200;
estamos observando casos ms all de los ms cercanos. Sin embargo,
no prestamos demasiada atencin a casos con valores independientes
alrededor de -10; cuanto ms cercano est un caso conocido a uno
desconocido, ms peso se le da a la hora de estimar el valor
dependiente desconocido. La red neuronal de regresin
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 prediccin usando los valores
dependientes de cada caso de entrenamiento, y los casos de
entrenamiento cercanos contribuyen de forma ms significativa al
valor de salida.
Una red neuronal de regresin generalizadapara dos variables
numricas independientes se estructura como se muestra en el grfico
(suponiendo que slo hay tres casos):



Salida

Capa de suma (nodos
numerador y denominador)

Capa de patrn (una neurona
por caso de entrenamiento)

Entradas
La arquitectura
GRN

Informacin adicional sobre redes neuronales 95

La capa de patrn contiene un nodo por cada caso de entrenamiento.
La presentacin de un caso de entrenamiento en la red, en este caso
consiste en la presentacin de dos valores numricos independientes.
Cada neurona de la capa de patrn 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 prediccin.
La funcin de distancia calculada en las neuronas de la capa de patrn
usa factores de suavizacin; cada valor de entrada tiene su propio
valor de factor de suavizacin. Con un solo valor de entrada,
cuanto mayor sea el valor del factor de suavizacin, ms significativos
sern los casos entrenados distantes para el valor de prediccin. Con 2
valores de entrada, el factor de suavizacin est en relacin con la
distancia a lo largo del eje de un plano y, en general, con mltiples
valores de entrada, la relacin es con una dimensin en un espacio
multidimensional.
La red GRN entrenada consta de factores de suavizacin optimizados
para minimizar el error de la red entrenada, y para hacerlo se utiliza
el mtodo de optimizacin de gradiente descendente conjugada. La
medida de error que se usa durante el entrenamiento para evaluar
diferentes conjuntos de factores de suavizacin es el error cuadrtico
medio. Sin embargo, cuando se calcula el error cuadrtico de un caso
entrenado, ese caso se excluye temporalmente de la capa de patrn.
Esto se hace porque la neurona excluida calculara una distancia cero,
haciendo que otras neuronas fueran insignificantes para el clculo de
la prediccin.
96 Redes neuronales de regresin generalizada y redes neuronales probabilsticas

Redes neuronales probabilsticas
Volviendo a las Redes neuronales probabilsticas, considere los
siguientes datos de entrenamiento con 2 variables numricas
independientes y una variable dependiente con 2 categoras:

Los crculos representan casos de entrenamiento en una categora,
mientras que los cuadrados pertenecen a la otra categora. Queremos
predecir la categora de los casos que aparecen con el signo de
interrogacin. Un observador humano decidira que el caso est ms
probablemente en la categora del crculo que en la categora del
cuadrado. Sin embargo, muchos mtodos de clasificacin no pueden
alcanzar la misma conclusin. Los mtodos que requieren una
separabilidad lineal de categoras, fracasarn. Los mtodos de vecino
ms cercano asignarn un caso desconocido a la categora del
cuadrado. Tambin lo harn los mtodos que se concentran en las
tendencias centrales, ya que el caso desconocido est ms cercano al
centroide de la categora del cuadrado que al centroide de la categora
del crculo.
Por su parte, la red PN tomar la decisin correcta. Considerar la
distancia del nuevo caso con cada caso de entrenamiento, dando
mayor peso a los casos ms cercanos. El efecto del cuadrado cercano
ser compensado por los crculos situados en las inmediaciones.
?

Informacin adicional sobre redes neuronales 97

Una Red neuronal probabilstica se estructura como se muestra en el
grfico, donde se presupone que hay dos variables numricas
independientes, dos categoras dependientes y cinco casos de
entrenamiento (tres en una categora y dos en otra):




Salida

Capa de suma (una
neurona por categora)

Capa de patrn (una
neurona por caso de
entrenamiento)

Entradas

Cuando se presenta un caso en la red, cada neurona de la capa de
patrn 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 funcin de la distancia y los
factores de suavizacin. Como en las redes GRN, cada valor de
entrada tiene su propio factor de suavizacin; 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 categora dependiente; cada neurona suma los
valores de salida de las neuronas correspondientes a los casos de
entrenamiento de esa categora. Los valores de salida de las neuronas
de la capa de suma se pueden interpretar como estimaciones de
funcin de densidad de probabilidad de cada clase. La neurona de
salida selecciona como categora de la prediccin la categora con el
mayor valor de funcin de densidad de probabilidad.
La arquitectura
PN
98 Redes neuronales de regresin generalizada y redes neuronales probabilsticas

Con en la redes GRN, el entrenamiento de una red PN consta de
factores de suavizacin optimizados para minimizar el error de la red
entrenada, y para hacerlo se utiliza el mtodo de optimizacin de
Gradiente Descendente Conjugada. La medida de error que se usa
durante el entrenamiento para evaluar diferentes grupos de factores
de suavizacin se calcula basndose en todos los valores generados
por las neuronas de la capa de suma de todos los casos de
entrenamiento. La medicin tiene en cuenta no slo la probabilidad
asignada a la categora correcta, sino tambin las probabilidades de
distribucin asignadas a las categoras incorrectas (es mejor la
distribucin aproximadamente uniforme de probabilidades entre
categoras incorrectas que algunas categoras 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 patrn.
Esto se hace porque la neurona excluida calculara una distancia cero,
haciendo que otras neuronas fueran insignificantes para el clculo.

Informacin adicional sobre redes neuronales 99

Comparacin 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
continuacin:
Ventajas de las redes GRN/PN:
Se entrenan rpido
No requieren una especificacin de topologa (nmero de capas
ocultas y nodos)
Las redes PN no slo clasifican, sino que tambin generan
probabilidades de que el caso se encuentre en diferentes categoras
dependientes posibles
Ventajas de las redes MLF:
De tamao ms pequeo, pero ms rpidas para hacer
predicciones
Son ms 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 prediccin 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 pequeos

100



Informacin adicional sobre redes neuronales 101

Transformacin de valores de entrada
NeuralTools aplica una escala a las variables numricas 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 reduccin 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 ms grande que otras variables, los pesos deben reducirse
mucho ms para compensar los valores ms grandes.
La escala usa la media y la desviacin estndar para cada variable,
calculadas en el conjunto de entrenamiento. La media se resta de cada
valor y el resultado se divide entre la desviacin estndar. Los
mismos parmetros de escala se usan cuando se prueba la red
entrenada o cuando se usa para hacer predicciones.
Los datos de categora / simblicos no se pueden usar directamente
en la red neuronal, cuyos valores de entrada deben ser nmeros. En
consecuencia, cada una de las variables de categora independientes
se representa por una serie de entradas numricas de red, una por
cada categora posible. Se usa el mtodo de conversin una de n.
Por ejemplo, observe el siguiente conjunto de casos entrenados:
Edad Estado Cantidad Dependiente: Pago del prstamo
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=
CT
Estado=
NJ
Estado=
NY
Cantidad Dependiente:
Pago del
prstamo
41 0 0 1 4000 A tiempo
32 1 0 0 7000 Tarde
54 0 1 0 6000 A tiempo
102

37 0 0 1 5000 Impago



Informacin adicional sobre redes neuronales 103

Obras recomendadas
Los siguientes textos proporcionan informacin 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.


104



ndice 105

ndice

A
Administrador de conjunto de datos,
14
Arquitectura GRN, 94
Arquitectura MLF, 87
Arquitectura PNN, 97
Asignacin de variables, 59
B
Barra de herramientas
NeuralTools, 33
C
Capacidad de conjuntos de datos y
variables, 43
Comando Administrador de conjunto
de datos, 37
Comando Administrador de red
neuronal, 75
Comando Configuraciones de
aplicacin, 71
Comando Entrenar, 44
Comando Predecir, 65
Comando Probar, 58
Comando Utilidades de reemplazo de
datos, 77
Comando Utilidades de Reemplazo
de Datos, 80
Combinacin de entrenamiento,
prueba y prediccin, 16
Cmo evitar el exceso de
entrenamiento, 91
Comparacin de redes MLF y redes
PN/GRN, 99
Conjuntos de datos, 14
Conjuntos de datos de rangos
mltiples, 39
Conjuntos de datos y variables, 37
Cuadro de dilogo Administrador de
conjunto de datos, 38
D
Desinstalacin de NeuralTools, 7
E
Entrenamiento, 12
Entrenamiento de una red MLF, 89
Error cuadrtico medio, 57
Evolver, 26
H
Histograma de residuales, 57
I
Iconos
Escritorio, 7
NeuralTools, 33
Iconos de los cuadros de dilogo, 36
Informes de entrenamiento, 55
Informes de prueba, 22, 61
Instrucciones para la instalacin, 7
M
Matriz de clasificacin, 56
P
Palisade Corporation, 5
Prediccin, 12, 23
Prediccin en vivo, 24, 67
Previsualizacin de prediccin, 68
Previsualizacin de prueba, 60
Probar automticamente, 45
Problema numricos, ii
Problemas de clasificacin, ii
106

Progreso del entrenamiento, 54
Prueba, 12
Prueba de Una Red, 21
R
Redes multinivel siempre hacia
adelante, 49, 87
Redes neuronales de regresin
generalizada, 17, 49, 93
Redes neuronales probabilsticas, 49,
96
Redes neuronales y mtodos
estadsticos, 84
Requisitos del sistema, 6
Resmenes rpidos de los informes
detallados, 64
S
Solver, 26
StatTools, 26
T
Tiempo de ejecucin, 51
Tipo de variable, 41
Transformacin de valores de
entrada, 101
V
Valores que faltan, 79
Variables de etiqueta, 42
Versin Profesional, iv, 3