Aplicación del método Boostrap para la Estimación del Error de Predicción en Modelos de Redes de Neuronas Artificiales

Resumen

En áreas muy diversas, entre ellas la Estadística, se aplica un paradigma de computación que simula el procesamiento de información que realiza el cerebro humano: las Redes de Neuronas Artificiales. Las Redes de Neuronas Artificiales (en adelante RNAs) son herramientas muy flexibles, que permiten afrontar problemas estadísticos muy diversos, siendo capaces de procesar grandes volúmenes de datos, ofreciendo resultados muy satisfactorios siempre que se construyan correctamente. En el otro sentido de colaboración, la Estadística también puede aportar mucho al campo de las RNAs. En este trabajo se hace un estudio del método estadístico bootstrap para obtener medidas de estimación del error estándar de las predicciones realizadas por las RNAs. Existen dos caminos distintos en los que se puede plantear el mecanismo de remuestreo bootstrap dentro de problemas generales de regresión. Por un lado el método bootstrap de pares, que considera como una unidad de muestreo cada caso del conjunto de entrenamiento, obteniéndose las muestras bootstrap mediante selecciones con reemplazamiento entre los casos de entrenamiento. Otra aproximación, mecanismo bootstrap de residuos, sería tratar cada uno de los residuos como unidad muestra!, considerando las variables predictoras fijas, y obtener las muestras bootstrap muestreando con reemplazamiento en los residuos, añadiéndose a las predicciones proporcionadas por el modelo. Si se produce un sobreajuste en el modelo de RNAs o el modelo no está bien especificado, el mecanismo de muestreo de pares es más robusto, sin embargo para cada muestra bootstrap genera un conjunto distinto de valores de los predictores, lo que podría resultar poco adecuado en algunas situaciones.