neuralGAM: Redes Neuronales Aditivas Generalizadas Interpretables en R

I. Ortega-Fernandez, M. Sestelo, N. M. Villanueva

Las redes neuronales son herramientas muy potentes para tareas como detección de anomalías, diagnóstico asistido y procesamiento del lenguaje natural. Sin embargo, su principal limitación es la falta de interpretabilidad, conocida como el problema de la “caja negra”. En este trabajo presentamos neuralGAM, un paquete de R para ajustar Modelos Aditivos Generalizados (GAM) mediante redes neuronales como estimadores de funciones suaves. Combina la flexibilidad del aprendizaje profundo con la transparencia de los modelos aditivos, permitiendo capturar relaciones no lineales sin perder interpretabilidad, admitiendo distintas distribuciones y funciones de enlace y siendo aplicable a regresión y clasificación. El paquete está integrado en el ecosistema R, ofreciendo una interfaz sencilla, y funcionalidades para el ajuste, predicción, estimación de incertidumbre e inspección gráfica de los efectos estimados.

Palabras clave: Deep Learning interpretable, Generalized Additive Models, Explainable Artificial Intelligence, redes neuronales

GT SW I: Paquetes de R
4 de septiembre de 2026  09:00
Aula 20

R. González Moyano, J. Aparicio Baeza, J. L. Zofio Prieto, V. J. España Roch

N. M. Romaris Lodeiro, O. Benavente Fernández, R. Fernández Casal, S. Naya Fernández, J. Tarrío Saavedra

N. M. Villanueva, M. Sestelo