Este tipo de estructuras nos permiten realizar predicciones, o tomar decisiones, según lo queramos ver.
Pongamos un ejemplo sencillo: Imaginemos que queremos decidir si comprar o no una casa, y nos planteamos tres factores:
- Si el precio es bueno (1 si lo es, 0 si no lo es)
- Si la casa está cerca de la playa (1 si lo está, 0 si no lo está)
- Si tiene garaje (1 si lo tiene, 0 si no lo tiene)
Dada una casa concreta, en función de las valoraciones que demos a estos tres apartados, nos decidiremos o no por su compra. Por ejemplo, supongamos que aspiramos a que el precio sea bueno (a lo que damos un peso de 3), que damos muchísima importancia a que esté cerca de la playa (a lo que damos un peso de 6) y que agradecemos que tenga garaje, aunque podríamos pasar sin él (factor al que damos un peso de 2). Y supongamos también que queremos que, una vez evaluados los tres factores, consideraremos una casa como digna de nuestra atención si la suma de las tres evaluaciones supera o iguala el valor de 5.
Con esta configuración (pesos de 3, 6 y 2, y un umbral o "threshold" de 5), bastaría con que una casa estuviese cerca de la playa para que nos decantásemos por su compra, y esto con independencia de los otros dos valores, pues 0 x 3 (del precio) + 1 x 6 (de la proximidad a la playa) + 0 x 2 (del garaje) suma 6, que es mayor o igual a 5.
Pero, aunque no estuviese cerca de la playa, también nos plantearíamos su compra si el precio fuese bueno y, simultáneamente, tuviese garaje:
1 x 3 (del precio) + 0 x 6 (de la proximidad a la playa) + 1 x 2 (del garaje) = 5, que también iguala o supera nuestro threshold de 5.
En cualquier otro caso la suma de los valores ponderados no llegaría a 5, por lo que nuestra decisión sería no comprar la casa.
Si cambiásemos la configuración de la neurona (modificando los pesos o el threshold), su comportamiento sería diferente, devolviéndonos diferentes predicciones para los mismos datos de entrada.
Por supuesto, lo verdaderamente útil de una neurona artificial no es decidir de forma arbitraria sus pesos y threshold, sino "entrenarla": darle muchos ejemplos de configuraciones de casas y la decisión asociada (si compramos o no), y dejar que sea la propia neurona la que decida los pesos y threshold adecuados con el objetivo de poder aplicar posteriormente nuestra neurona a los datos de otra casa y que sea la propia neurona la que nos diga si debemos o no comprar...