Análisis comparativo en la implementación de la red neuronal backpropagation usando el método de componentes principales y el método clásico

• Autor: Aguilar Ibáñez, Luis
• Formato: tesis doctoral
• Fecha de Publicación: 2019
• Institución: Universidad Nacional de Piura
• Repositorio: UNP-Institucional
• Lenguaje: español
• OAI Identifier: oai:repositorio.unp.edu.pe:UNP/1583
• Enlace del recurso: https://repositorio.unp.edu.pe/handle/UNP/1583
• Nivel de acceso: acceso abierto
• Materia: Reducción de dimensiones; Redes neuronales; Análisis de componentes principales; Algoritmo Backpropagation; Aprendizaje de máquina; Ingeniería de Sistemas y Comunicaciones Telecomunicaciones

El objetivo principal de esta investigación fue realizar un análisis comparativo en la implementación de redes neuronales de Backpropagation utilizando el método multivariado PCA frente al método clásico, que en este ámbito de investigación se definió como la aplicación de redes neuronales sin la implementación de PCA. El enfoque en esta tesis doctoral, concretamente, referente a PCA, fue aplicarlo a una variedad de conjuntos de datos. Los resultados se calcularon desde la perspectiva de las redes neuronales, incluyendo redes totalmente conectadas y convolucionales. Para este propósito, se seleccionaron tres tipos de conjuntos de datos. El primero representa datos tabulares, mientras que los otros dos datos de imagen, que están compuestos por imágenes RGB de 1 canal y 3 canales. Las técnicas de reducción de la dimensión, como la PCA, contribuyen en gran medida al proceso de flujo de aprendizaje automático. Por ejemplo, PCA se puede usar para seleccionar características, también puede transformar conjuntos de datos en representaciones más bajas. Al mismo tiempo, PCA se puede utilizar como una herramienta para visualizar datos de alta dimensión. Además, dado que PCA reduce el número de dimensiones, también reduce los recursos computacionales y acelera el entrenamiento. Del mismo modo, también se ha observado cómo la combinación de PCA con otros algoritmos mejora el rendimiento de clasificación. Sin embargo, los resultados de las mejoras son relativos a las diferentes configuraciones utilizadas por los modelos. Además, pueden verse afectados por factores independientes, que no están relacionados con PCA. Por lo tanto, es necesario un análisis imparcial para obtener una mejor comprensión del efecto de PCA sobre los algoritmos de aprendizaje. En este sentido, los resultados obtenidos en esta investigación mostraron un incremento considerable en la precisión cuando se usa PCA con redes neuronales totalmente conectadas. Este hecho fue más frecuente con los conjuntos de datos tabulares. Los mismos resultados se observaron con las imágenes de 1 canal. A pesar de que las mejoras en la precisión no fueron demasiado significativas, especialmente en comparación con otros modelos, como las redes convolucionales. Sin embargo, cuando se aplicó PCA a las imágenes de 3 canales, con un conjunto de modelos de red pre-entrenados, la precisión no mejoró. De hecho, la precisión fue mucho menor en comparación con el modelo clásico (resnet normal). Esto sugiere que la aplicación de PCA mejora la precisión en algunos tipos de conjuntos de datos más que en otros. En particular, cuando los datos son más complejos, PCA puede perder esa complejidad, lo que resulta en ratios de precisión más bajos.