Las redes neuronales son útiles en la minería de datos debido a su capacidad para modelar datos complejos y multidimensionales. La disponibilidad de datos ha crecido tanto como la dimensión de los problemas a solucionar, limitando así muchas de las técnicas tradicionales tales como el análisis manual de los datos y algunos métodos estadísticos, mientras que las redes neuronales ofrecen cualidades como:
Aunque las redes neuronales son hábiles para encontrar los modelos ocultos en los datos, no revelan directamente sus resultados. El examen del modelo final es necesario para extraer las relaciones claves descubiertas.
Las redes neuronales son el resultado de las investigaciones académicas que implican el usar de formulas matemáticas para modelar operaciones de sistema nervioso. Pero ¿qué es una red neuronal?. En primer lugar cabe mencionar que para la ciencia sigue siendo un misterio como el cerebro genera el pensamiento, es más, tomó mucho tiempo saber que la conciencia reside en el cerebro y para conocer la interrelación entre las distintas áreas funcionales del cerebro.
Ahora bien, las redes neuronales están formadas por elementos sencillos de cálculo aritmético, equivalentes a las neuronas, o sea, las células que procesan la información en el cerebro, por tanto la red neuronal equivale a un conjunto de neuronas interconectadas.
Las redes neuronales presentan muchos aspectos que las hacen atrayentes como lo es su inherente paralelismo, su capacidad de degradación gradual de desempeño conforme empeoran las condiciones, y además de que el aprendizaje que las caracteriza y se da a través de un algoritmo inductivo, es decir, una vez inicializada la red, ésta puede ser modificada para mejorar su eficiencia.
Las redes neuronales se utilizan para aprender modelos y vínculos entre datos, y no requieren la codificación explícita del problema. Por ejemplo, para generar un modelo que realice un pronóstico de las ventas, solamente se necesita la información en bruto relacionada con el problema. La información puede consistir en historia de las últimas ventas, precios, precios de los competidores, y otras variables. La red neuronal ordena esta información y produce un juicio de los factores que afectan ventas. El modelo puede entonces utilizarse para proporcionar a una predicción de las ventas futuras dado un pronóstico de los factores claves.
Estos adelantos se dan debido a la creación de reglas de aprendizaje de la red neuronal, que son los algoritmos que “aprenden" las relaciones entre los datos. Las reglas de aprendizaje le permiten a la red "ganar conocimiento" de datos disponibles y aplicar este conocimiento para ayudar en la toma de decisiones claves.
Las redes neuronales son herramientas de análisis estadístico que permiten la construcción de un modelo de comportamiento a partir de una determinada cantidad de ejemplos (constituidos por una determinada cantidad de "variables descriptivas") de dicho comportamiento. La red neuronal, completamente "ignorante" al principio, efectúa un "aprendizaje" partiendo de los ejemplos, para luego transformarse, a través de modificaciones sucesivas, en un modelo susceptible de rendir cuenta del comportamiento observado en función de las variables descriptivas. La construcción del modelo es automática y directa desde los datos.
En todo caso, la red neuronal una vez construida constituye un verdadero modelo a la medida, y que actúa en función de lo que percibe, es decir, no repite las experiencias pasadas de manera tonta, tampoco se trata de ir a buscar dentro de una biblioteca un modelo más o menos adaptado; si en realidad existe una relación de causa a efecto en medio de las descripciones introducidas y los valores a prever, la red la descubrirá. La red neuronal es sólida, es decir, no se queda invalidada con algunos ejemplos enredados o falsos; estos serán descartados del resto por su incoherencia y los valores ausentes son también hábilmente manejados y no perturban la construcción del modelo.