Resumen

Una forma de hacer que el conocimiento almacenado en una red neuronal artificial sea más comprensible es extraer reglas simbólicas. Sin embargo, producir reglas a partir de Perceptrones Multicapa (MLPs) es un problema NP-duro. Se han introducido muchas técnicas para generar reglas a partir de redes neuronales individuales, pero muy pocas fueron propuestas para conjuntos. Además, rara vez se evaluaron los experimentos mediante pruebas de validación cruzada de 10 pliegues. En este trabajo, basado en el Perceptrón Multicapa Interpretativo Discretizado (DIMLP), se realizaron experimentos en 10 repeticiones de pruebas de validación cruzada estratificadas de 10 pliegues sobre 25 problemas de clasificación binaria. La arquitectura DIMLP nos permitió producir reglas a partir de conjuntos DIMLP, árboles poco profundos potenciados (BSTs) y Máquinas de Vectores de Soporte (SVM). La complejidad de los conjuntos de reglas se midió con el número promedio de reglas generadas y el número

• Materias:Ecuaciones integrales Función Beta Número cromático Formulación de superficies Funciones aritméticas
• Subjects:Integral equations Beta function Chromatic number Formulation of surfaces Arithmetic functions
• Palabras claves:Extracción; Reglas simbólicas; Perceptrones Multicapa; Conjuntos; Pruebas de validación cruzada de 10 veces; Arquitectura DIMLP
• Keywords:Extract; Symbolic rules; Multilayer Perceptrons; Ensembles; 10-fold cross-validation trials; DIMLP architecture