Elección de ponderaciones

Muchas son las aplicaciones que se tienen de las redes neuronales, entre ellas la clasificación de patrones, cuyo objetivo consiste en decidir si un conjunto de entradas a una neurona (o red neuronal), corresponde o no a un patrón determinado. Cuando una entidad de inteligencia artificial neuronal tiene pocas entradas posibles, es fácil tomarlas en cuenta a todas, y una implementación con una simple expresión lógica cubriría toda la gama de datos para generar sus correspondientes salidas, sin dejar lugar a incertidumbre.

Sin embargo, cuando las entradas son demasiadas como para considerarlas independientemente, es es posible tomar en cuenta cada una de una manera independiente. Los pesos o ponderaciones de una neurona, los cuales están ligados a cada una de las entradas, se deben elegir cuidadosamente, dando un valor más alto a aquellos ligados a las entradas que nos brindan mayor información para tomar la decisión final.

Es aquí donde se puede aplicar fuertemente la estadística, con la teoría de decisión bayesiana.

En estadística, la probabilidad de que suceda un evento determinado de un conjunto de posibles eventos, es menor entre más eventos posibles existan en el conjunto. Asimismo, la suma de las probabilidades de todos los eventos es el 100% de probabilidad, o sea 1.

En una neurona, cada una de las entradas puede corresponder a una característica que puede tener el conjunto de valores de entrada. De esta forma, podemos asignar a las ponderaciones de las entradas un valor en función de la probabilidad de que esa entrada defina si es o no parte de una clase. Y también puede ser conveniente que la suma de todas las ponderaciones llegue a ser 1.