Optimización de hiperparámetros en redes perceptrón multicapa tradicionales mediante búsqueda exploratoria de códigos variables

Resumen

Se abordó el problema de optimización de hiperparámetros en redes perceptrón multicapa para tareas de regresión continua no lineal. Se propuso el método heurístico denominado Búsqueda Exploratoria en el Extremo de una Función de Códigos Variables derivado del Método de Integración de Variables. El problema de optimización se formuló mediante una escalarización de distancia Chebyshev que equilibra simultáneamente la exactitud predictiva (R²) y la generalización en los conjuntos de entrenamiento, validación y prueba. El método se evaluó en cinco conjuntos de datos de regresión del Repositorio UCI: Boston Housing, Friedman #1, Calidad del Aire, Resistencia a la Compresión del Hormigón y Eficiencia Energética. Las comparaciones con Búsqueda Aleatoria y Optimización Bayesiana demostraron que obtuvo mejoras estadísticamente significativas en el error cuadrático medio frente a la Optimización Bayesiana (p = 0,031), con baja variabilidad entre ejecuciones independientes.

Palabras clave: Redes neuronales artificiales, optimización multiobjetivo, heurísticas, regresión no lineal, optimización de hiperparámetros