como expliqu\u00e9 en un anterior post<\/a>) se definen por una amplia cantidad de caracteres que implican un enorme y complejo n\u00famero de c\u00e1lculos con ellos, lo cual significa que es muy dif\u00edcil predecir exactamente el comportamiento que tomar\u00e1 la red con diferentes par\u00e1metros. Adem\u00e1s, puesto que la elecci\u00f3n de algunos es dejada al azar \u2014como los pesos entre cada neurona\u2014 tambi\u00e9n es necesario entrenar varias veces un mismo modelo de red (con todos los par\u00e1metros igual salvo aquellos que se dejan al azar) para tratar de obtener mejores resultados.<\/p>\nOtro factor importante es que el c\u00e1lculo del entrenamiento no se realiza inmediatamente sino que conlleva un tiempo de procesamiento nada despreciable, la elaboraci\u00f3n de una buena red neuronal con una salida eficiente requiere unas elevadas dosis de ensayo\/error; resultando una tarea harto tediosa, y que consume mucho tiempo.<\/p>\n
Adem\u00e1s la herramienta utilizada para el entrenamiento y ejecuci\u00f3n de las redes \u2014entorno\/lenguaje estad\u00edstico R<\/strong>\u2014 funciona como lenguaje de scripting<\/em>, y dado el creciente p\u00e1nico y temor de la mayor\u00eda de usuarios ante la introducci\u00f3n de comandos en consola, y lo pesado de definir m\u00faltiples redes distintas mediante este sistema, se crear\u00e1 una interfaz gr\u00e1fica que lo facilite.<\/p>\nPor todo ello, surge la necesidad de automatizar esta tarea, permitiendo la preselecci\u00f3n de varios modelos \u2014mediante una GUI\/IGU<\/em> (Graphical User Interface\/Interfaz Gr\u00e1fica de Usuario<\/em>)\u2014 que se entrenen secuencialmente sin la constante intervenci\u00f3n del usuario. Se permitir\u00e1 la preselecci\u00f3n de los diversos par\u00e1metros para formar las distintas redes que se desee testear, dejando que las m\u00e1quinas lo calculen por s\u00ed mismas.<\/p>\nDado que el total de redes puede ser bastante alto, lo que implicar\u00eda un alt\u00edsimo tiempo de procesamiento, es necesario buscar una soluci\u00f3n basada en la computaci\u00f3n distribuida, en la que todos los modelos escogidos por el usuario se evaluen en varios servidores de c\u00e1lculo repartidos en distintos ordenadores.<\/p>\n
La soluci\u00f3n presentada en este proyecto, va un paso m\u00e1s, y no s\u00f3lo entrena todas las redes, sino que automatiza la selecci\u00f3n de la red que obtiene un rendimiento m\u00e1s cercano al \u00f3ptimo. El lenguaje R<\/strong> s\u00f3lo realiza el entrenamiento y ejecuci\u00f3n de las redes, devolviendo \u00fanicamente la informaci\u00f3n relevante de las mismas, sin aplicar ning\u00fan criterio de calidad. Puesto que se pretenden entrenar un elevado n\u00famero de ellas, ser\u00eda inc\u00f3modo para el usuario compararlas una a una, de modo que se automatiza tambi\u00e9n este proceso: tanto en los servidores de c\u00e1lculo para devolver su mejor red entre las diversas entrenadas, como en la m\u00e1quina que solicita todos los modelos y que recibe los mejores entre ellos.<\/p>\nEl criterio de calidad est\u00e1 basado en la curva ROC<\/strong> \u2014Receiver Operating<\/em> Characteristic curve\u2014 y es el valor del \u00e1rea bajo la curva \u2014Area Under Curve<\/em> (AUC<\/strong>)\u2014. Este criterio ser\u00e1 explicado detalladamente m\u00e1s adelante.<\/p>\n<\/div><\/a><\/p>