Fundamentos · Redes neuronales · Recurso 069
Perceptrón multicapa paso a paso
De una neurona a una red: descubre cómo una capa oculta aprende XOR y sigue el error hacia atrás para ajustar los pesos.
Antes de empezar: explora el perceptrón simple y AND.
Convergencia: los 4 datos con |ŷ − y| < 0.1
Red 2 – 2 – 1 (activación sigmoide)En rojo: nuevo valor del peso o sesgo (bias).
Mapa de decisión (ŷ en todo el plano)
Dataset XOR · época actual
| # | x1 | x2 | y | h1 | h2 | ŷ | E | ok |
|---|
Explicación
Pérdida media por época
¿Cómo aprende XOR una red multicapa?
Dos neuronas ocultas con activación sigmoide transforman las entradas. La salida combina sus activaciones y la retropropagación calcula los gradientes para ajustar pesos y sesgos.
Cómo se utiliza en este recurso
Recorre los cuatro casos de XOR paso a paso, avanza por épocas y compara el mapa de decisión con la pérdida media. Configura la tasa de aprendizaje, el máximo de épocas y pesos aleatorios.
Alcance y límites
Simulación didáctica de cuatro ejemplos. Los aciertos y la convergencia se miden sobre los datos de entrenamiento; no prueban generalización. El resultado depende de los pesos iniciales y de la tasa de aprendizaje.
Preguntas frecuentes
¿Qué significa converger en este simulador?
Que los cuatro casos de XOR tienen una diferencia absoluta entre salida y etiqueta menor que 0,1. Se detiene también al alcanzar el máximo de épocas.
¿La salida de la sigmoide es una clase?
Es un valor entre 0 y 1. El simulador usa el umbral 0,5 para asignar una clase binaria.