Redes perceptrón multicapa: qué son, cómo funcionan y cuándo utilizarlas

Introducción

Las redes perceptrón multicapa, también conocidas como MLP por sus siglas en inglés Multilayer Perceptron, son una de las arquitecturas más importantes dentro del aprendizaje automático y las redes neuronales.

Aunque hoy existen modelos más especializados, como redes convolucionales, redes recurrentes y transformers, los MLP siguen siendo una base fundamental para entender cómo aprende una red neuronal: reciben datos, los transforman capa por capa y ajustan sus pesos para mejorar sus predicciones.

Su estructura los vuelve especialmente útiles en problemas de clasificación y regresión con datos tabulares o estructurados. Al mismo tiempo, tienen limitaciones claras cuando se trabaja con imágenes, audio, texto o series temporales, donde otras arquitecturas suelen capturar mejor la estructura de los datos.

Arquitectura de un perceptrón multicapa

Un MLP se organiza en capas. Cada capa contiene neuronas, y cada neurona recibe señales de la capa anterior, las multiplica por pesos, suma un sesgo y aplica una función de activación.

1. Capa de entrada

La capa de entrada es donde ingresan los datos. Cada nodo representa una característica del problema. Por ejemplo, si quieres predecir si una luz debe encenderse según oscuridad, hora del día y presencia de personas, tendrías tres entradas.

2. Capas ocultas

Las capas ocultas transforman la información. En ellas ocurre la mayor parte del aprendizaje: las entradas se combinan con pesos y se pasan por funciones de activación como ReLU, Sigmoid o Tanh.

El número de capas ocultas y neuronas depende de la complejidad del problema. Más capas no siempre significan mejor rendimiento; también pueden aumentar costo computacional y riesgo de sobreajuste.

3. Capa de salida

La capa de salida genera la predicción final. Para clasificación binaria, suele usarse una salida con función sigmoide. Para clasificación multiclase, se usa comúnmente Softmax. Para regresión, puede usarse una salida lineal.

Ciclo de procesamiento de datos en un MLP

Para entender cómo funciona un MLP, pensemos en una predicción sencilla: decidir si una luz debe encenderse según tres variables.

• Nivel de oscuridad: valor entre 0, habitación iluminada, y 1, habitación muy oscura.
• Hora del día: valor entre 0, mañana, y 1, noche.
• Presencia de personas: valor entre 0, sin personas, y 1, personas presentes.

Supongamos que los valores son:

x1 = 0.9  # Oscuridad
x2 = 0.8  # Hora del día
x3 = 1.0  # Presencia de personas

1. Cálculo en una capa oculta

Cada neurona calcula una suma ponderada. Para dos neuronas ocultas, el cálculo podría verse así:

h1 = ReLU((0.9 * 0.5) + (0.8 * 0.2) + (1.0 * 0.8) - 0.1)
h2 = ReLU((0.9 * 0.9) + (0.8 * 0.7) + (1.0 * 0.3) + 0.2)

Después de aplicar ReLU, esas salidas se convierten en la entrada para la siguiente capa.

2. Cálculo en la capa de salida

La capa de salida combina los valores de la capa oculta y aplica una función sigmoide para producir un valor entre 0 y 1.

o = Sigmoid((1.31 * 1.2) + (1.87 * 0.5) - 0.3)
o ≈ 0.90

Si interpretamos valores cercanos a 1 como “encender la luz”, una salida de 0.90 indica que el modelo considera razonable activar la iluminación.

Matemáticas detrás de un MLP

Los MLP se basan en operaciones relativamente simples repetidas muchas veces: productos, sumas, sesgos y funciones de activación. La potencia aparece cuando estas operaciones se organizan en capas y se ajustan mediante entrenamiento.

1. Cálculo en una neurona

Cada neurona toma entradas, pesos y un sesgo. La fórmula básica es:

z = (x1 * w1) + (x2 * w2) + ... + (xn * wn) + b

Donde x representa entradas, w representa pesos, b es el sesgo y z es el valor antes de aplicar la función de activación.

2. Función de activación

Después de calcular z, la neurona aplica una función de activación. Esta función introduce no linealidad, permitiendo que la red aprenda patrones más complejos que una simple regresión lineal.

3. Ejemplo numérico

Para una neurona con tres entradas:

x1 = 0.9, w1 = 0.5
x2 = 0.8, w2 = 0.2
x3 = 1.0, w3 = 0.8
b = -0.1

z = (0.9 * 0.5) + (0.8 * 0.2) + (1.0 * 0.8) - 0.1
z = 1.31

ReLU(z) = max(0, 1.31) = 1.31

Ese valor se transmite a la siguiente capa, donde vuelve a combinarse con nuevos pesos y sesgos.

Funciones de activación en MLP

Las funciones de activación determinan cómo responde una neurona ante una entrada. Sin ellas, varias capas lineales se comportarían como una sola transformación lineal, y el modelo perdería capacidad para aprender patrones complejos.

1. ReLU

ReLU, o Rectified Linear Unit, devuelve cero si el valor es negativo y devuelve el mismo valor si es positivo.

f(z) = max(0, z)

Es rápida y efectiva, pero puede generar neuronas muertas cuando una neurona queda produciendo valores negativos de forma constante.

2. Sigmoid

Sigmoid convierte cualquier valor en un número entre 0 y 1, por eso es útil en salidas de clasificación binaria.

f(z) = 1 / (1 + e^(-z))

Su desventaja es que puede saturarse cuando los valores son muy altos o muy bajos, provocando gradientes pequeños y entrenamiento más lento.

3. Tanh

Tanh, o tangente hiperbólica, transforma los valores a un rango entre -1 y 1. A diferencia de Sigmoid, está centrada en cero.

f(z) = (e^z - e^(-z)) / (e^z + e^(-z))

4. ¿Cuál función elegir?

Para capas ocultas, ReLU suele ser un buen punto de partida. Para clasificación binaria, Sigmoid suele colocarse en la capa de salida. Para clasificación multiclase, Softmax es más adecuada. La elección depende del problema, los datos y la arquitectura.

¿Cuándo conviene usar un MLP?

Los MLP son especialmente útiles cuando trabajas con datos tabulares o estructurados y quieres resolver problemas de clasificación o regresión.

En muchos proyectos, un MLP puede servir como modelo inicial para establecer una línea base. Después, puedes compararlo con modelos más especializados para ver si realmente necesitas una arquitectura más compleja.

Limitaciones de los MLP y alternativas recomendadas

Aunque los MLP son flexibles, no siempre son la mejor opción. Su principal limitación es que no aprovechan directamente la estructura espacial o temporal de los datos.

1. Limitaciones principales

• Datos no estructurados: no capturan relaciones espaciales en imágenes ni relaciones temporales en secuencias de forma natural.
• Sobreajuste: con muchas capas o neuronas pueden memorizar datos de entrenamiento.
• Costo computacional: al crecer en tamaño pueden volverse lentos y pesados.
• Falta de memoria interna: no modelan dependencias temporales como lo haría una RNN, LSTM o transformer.

2. CNN para datos espaciales

Las redes neuronales convolucionales, o CNN, están diseñadas para datos con estructura espacial, como imágenes. Sus filtros detectan bordes, texturas y patrones locales de forma mucho más eficiente que un MLP tradicional.

3. RNN, LSTM y transformers para secuencias

Para datos secuenciales, como series temporales, texto o señales, suelen usarse modelos capaces de capturar dependencia entre pasos. Las RNN y LSTM fueron muy usadas para este tipo de problemas, mientras que los transformers se han vuelto centrales en procesamiento de lenguaje natural y muchas tareas modernas de secuencias.

4. ¿Cuándo elegir otra arquitectura?

Cuando tus datos tienen estructura especial, conviene usar modelos que aprovechen esa estructura. Para imágenes, CNN. Para texto y secuencias largas, transformers. Para series temporales, puedes considerar modelos estadísticos, RNN/LSTM, transformers o enfoques híbridos, según el caso.

Buenas prácticas al trabajar con MLP

Para que un MLP funcione bien, no basta con agregar capas. El rendimiento depende de la calidad de los datos, el preprocesamiento, la arquitectura, la regularización y la forma de evaluar el modelo.

Conclusión

Las redes perceptrón multicapa son una base fundamental para entender el aprendizaje profundo. Su arquitectura de capas densamente conectadas permite aprender relaciones no lineales y resolver tareas de clasificación o regresión.

A lo largo del artículo vimos cómo se organizan sus capas, cómo procesan datos, qué matemáticas ocurren dentro de una neurona y por qué las funciones de activación son tan importantes.

También revisamos sus límites. Los MLP pueden ser útiles con datos estructurados, pero no son la mejor herramienta para todos los problemas. En imágenes, secuencias y lenguaje natural, arquitecturas como CNN, RNN, LSTM o transformers suelen aprovechar mejor la estructura de los datos.

Entender los MLP no solo sirve para usarlos directamente, sino para comprender mejor cómo funcionan redes neuronales más avanzadas. Son una puerta de entrada clara al mundo del deep learning.

Recursos adicionales

• Neural Networks and Deep Learning
• TensorFlow Tutorials
• Attention Is All You Need
• PyTorch Documentation
• MLP en scikit-learn
• Deep Learning Book