Las redes neuronales artificiales (RNA) se han convertido en una poderosa herramienta para la toma de decisiones. Tiene muchas cualidades, que pueden atraer fácilmente al usuario, como la capacidad de "aprender de diferentes datos dinámicos que se obtienen a través del ajuste interno del peso, fácil y rápido en el cálculo, proporciona una solución robusta en presencia de ruido y proporciona una solución precisa cuando se utiliza sobre un conjunto de ejemplo previamente no visto del dominio del problema. Sin embargo, tiene un gran inconveniente de funcionamiento, como tecnología de "caja negra" que es la entrada se suministra a una red entrenada, que se procesa de forma opaca. Debido a esta falta de transparencia, las estructuras de la red son confusas. Además, las redes recurrentes y de múltiples capas complican los problemas, especialmente cuando los algoritmos genéticos producen los pesos de las RNA, ya que es necesario un conocimiento directo del funcionamiento concreto. Algunas técnicas como CART y C 4.5 producen modelos transparentes que proporcionan resultados comprensibles, pero no son tan precisos. Nos gustaría mostrar alguna perspectiva sobre la extracción de reglas (RE) mediante la cual podemos añadir facilidades de explicación a las RNA.
Hinweis: Dieser Artikel kann nur an eine deutsche Lieferadresse ausgeliefert werden.
Hinweis: Dieser Artikel kann nur an eine deutsche Lieferadresse ausgeliefert werden.