Una red neuronal puede aproximar una amplia gama de modelos predictivos con demandas mínimas sobre la estructura y asunción de modelos. La forma de las relaciones está determinada durante el proceso de aprendizaje. Si una relación lineal entre el objetivo y los predictores es apropiada, los resultados de la red neuronal deben aproximarse mucho a los del modelo lineal tradicional. Si una relación no lineal es más apropiada, la red neuronal aproximará automáticamente la estructura de modelo "correcta".
El equilibrio de esta flexibilidad es que la red neuronal no es fácilmente interpretable. Si intenta explicar un proceso subyacente que genera las relaciones entre el objetivo y los predictores, se debería utilizar mejor un modelo estadístico más tradicional. Sin embargo, si la interpretabilidad del modelo no es importante, puede obtener buenas predicciones utilizando una red neuronal.
Requisitos del campo. Debe haber al menos un objetivo y una entrada. Se ignorarán los campos establecidos en Ambos o Ninguno. No hay restricciones de nivel de medición en los objetivos o en los predictores (entradas).
Las ponderaciones iniciales asignadas a redes neuronales durante la creación del modelo y, por lo tanto, los modelos finales generados dependen del orden de los campos en los datos. Watsonx.ai ordena automáticamente los datos por nombre de campo antes de presentarlos a la red neuronal para el entrenamiento. Esto significa que cambiar el orden explícitamente de los campos en los datos en sentido ascendente no afectará a los modelos de red neuronal generados cuando se establece una semilla aleatoria en el generador de modelos. Sin embargo, cambiar los nombres de campo de entrada de una forma que cambia el orden de clasificación generará distintos modelos de red neuronal, incluso con una semilla aleatoria establecida en el generador de modelos. La calidad del modelo no se verá afectada de forma significativa dada una orden de clasificación de nombres de campo.