7.2 Fase de validación o test

Tras la fase de entrenamiento viene la fase de ejecución, durante la que se le pedirá a la red que responda a estímulos diferentes a los presentados durante la fase de entrenamiento. Gracias a los ejemplos aprendidos del juego de ensayo, la red deberá ser capaz de generalizar y dar respuestas correctas ante patrones de estímulos nuevos.

En otras palabras, una vez terminado el aprendizaje, una red puede generalizar; es decir, ante entradas similares a las de su juego de ensayo, producirá salidas correctas. Hay que tener en cuenta que es muy difícil conseguir la capacidad de generalización de una red sin utilizar grandes cantidades de datos y que estos sean muy variados.

Para operar con una red entrenada, el proceso es el mismo que cuando se realizaba el entrenamiento. Por lo tanto, se le sigue suministrando información de entrada a la red, sólo que ahora no se realizará ningún ajuste en los pesos sinápticos. La red reconocerá o evaluará y dará una respuesta a partir de los pesos establecidos durante el entrenamiento.

Para conseguir el mejor rendimiento de generalización, los datos usados para el entrenamiento deben cubrir un rango de hechos suficientemente amplio. En general, cuando aumenta el tamaño y variedad del juego de ensayo disminuye la necesidad de que los datos de entrada durante la fase de trabajo normal se parezcan mucho a los patrones del juego de ensayo; es decir, la red generalizará mejor. Si los datos de un problema se diferencian demasiado de todos los patrones del juego de ensayo, la red tendrá dificultades para encontrar la respuesta correcta. Selección del juego de ensayo En vista de la gran cantidad de información que se le puede proporcionar a una red, se ha de buscar un criterio de selección para crear el juego de ensayo. En el juego de ensayo debe de haber suficientes hechos, es decir, parejas ``patrones de estímulos - respuesta correcta''. Además, los hechos del juego de ensayo deberán cubrir ampliamente la totalidad de las características a los que la red debe de enfrentarse. El problema de decidir cuántos hechos se han de incluir en el juego de ensayo es un problema de Teoría de Muestras al que se está buscando solución. Un problema muy similar se plantea al establecer, en base a casos de prueba, el grado de experiencia de un experto.

Por otra parte, a una red evaluadora es importante mostrarle tanto los patrones de entrada que llevan a evaluaciones positivas, como los patrones de entrada que llevan a evaluaciones negativas. Es decir, el entrenamiento de la red debe incluir situaciones que se evalúen negativamente, pues de lo contrario la red simplemente aprenderá que todo está correcto siempre. También se debe incluir en el juego de ensayo cada uno de los casos en los cuales el valor de una entrada es causa de un mal resultado.

Además, no se puede incluir en el juego de ensayo una colección exageradamente grande de hechos. Es necesario seleccionar aquellos hechos que reflejen claramente cada uno de los patrones a reconocer y las situaciones extremas de evaluación en una red evaluadora.

Lo ideal es preparar una colección amplia de hechos de entrenamiento que cubran todos los problemas a los que se pueda tener que enfrentar la red. A continuación, se seleccionarán algunos de ellos para el juego de ensayo, procurando que todos los problemas queden bien representados.