Avaliação Redes Neurais Artificiais

Redes Multicamadas Diretamente Alimentadas Back-propagation (MLP)

INTRODUÇÃO

Redes neurais é um conceito da computação que visa trabalhar no processamento de

dados de maneira semelhante ao cérebro humano. A idéia é realizar o processamento de
informações tendo como princípio a organização de neurônios do cérebro. Como o cérebro
humano é capaz de aprender e tomar decisões baseadas em aprendizagem, as redes neurais
artificiais devem fazer o mesmo. Assim, uma rede neural pode ser interpretada como um
esquema de processamento capaz de armazenar conhecimento baseado em aprendizagem
(experiência) e disponibilizar este conhecimento para a aplicação em questão.
Nosso trabalho pretende demonstrar uma utilização pratica do uso de redes neurais ao
nosso cotidiano. O caso em questão é uma rede neural para auxiliar a decisão de esperar ou não
pelo atendimento em um restaurante. O espaço domínio do problema é formado por um
conjunto de percepções (P) constituído pelos seguintes atributos:
Possui sala de espera? ; Estou com Fome? ; O preço é acessível?
Em relação ao espaço solução (A) seria a decisão de esperar ou não por um atendimento
naquele restaurante contido no ambiente (E), no caso um centro comercial com várias opções de
restaurantes. A medida de desempenho (G) pode ser vista por meio das analises e gráficos
gerados através do software, Neural Applet v 4.3.2.

SOLUÇÃO DAS QUESTÕES

Escolha um conjunto de exemplos que contenha pares de dados da forma (entrada,

saída). Treine uma rede neural MLP com o algoritmo backpropagation, utilizando 75% dos
exemplos para treinamento e os 25% restantes para teste.

ITEM A - Explore a relação entre taxa de aprendizagem e termo momento e a

velocidade do treinamento quando o erro de treinamento escolhido para parar o processo de
treinamento for 0.001. Por exemplo, utilize diferentes valores como:
i. Taxa de aprendizagem 0.1, momento 0.5
SITUAÇÃO INICIAL

SITUAÇÃO FINAL
GRÁFICO TREINAMENTO E TESTE

ii. Taxa de aprendizagem 0.5, momento 0.5

SITUAÇÃO INICIAL
SITUAÇÃO FINAL

GRÁFICO TREINAMENTO E TESTE

iii. Taxa de aprendizagem 0.5, momento 0.9
SITUAÇÃO INICIAL

SITUAÇÃO FINAL
GRÁFICO TREINAMENTO TESTE

iv. Taxa de aprendizagem 0.5, momento 0.1

SITUAÇÃO INICIAL
SITUAÇÃO FINAL

GRÁFICO TREINAMENTO E TESTE

Que valor de taxa de aprendizagem e momento você considera são os melhores para a sua rede
neural?

Por meio da analise dos resultados obtidos temos que o melhor resultado obtido foi com
aprendizagem igual a 0,5 e momento igual a 0,1 mostrando que o uso em conjunto destas duas
variáveis são extremante importantes para que a rede neural obtenha seus melhores resultados
por isso devem ser analisadas em conjunto. Em relação a taxa de aprendizado podemos
afirmar que ela indica quão rápida será o aprendizado da rede, valores baixos de taxa de
aprendizagem tornam o aprendizado da rede muito lento e valores altos desta taxa provoca
oscilações no treinamento impedindo a convergência do processo de aprendizagem, logo alguns
autores impõem valores medianos para que não ocorra nenhum dos erros citados acima, de
modo que valores próximos a 0,4 são considerados os melhores para utilizados em uma rede
neural.
Em relação ao momento, aquela que obteve melhor desempenho foi a com o valor 0,1.
O uso desta taxa tem a intenção de aumentar a velocidade de treinamento da rede neural e
reduzir o perigo de instabilidade que está intimamente ligada a possibilidade de oscilações
durante a execução do algoritmo backpropagation indicando que o momento trabalha para evitar
possíveis erros da rede.

ITEM B - Explore a influência do número de unidades escondidas e do número de

camadas sobre: o conjunto de treinamento, o erro de teste e o tempo para o treinamento.

De acordo com a nossa análise comparativa dos gráficos obtidos, temos que o aumento
do número de camadas torna o sistema mais constante na determinação do ótimo. De acordo
com os nossos gráficos de treino e teste, o sistema se mantém constante por um grande intervalo
de tempo, até que ocorre o cruzamento dos dois gráficos o descobrimento da solução ótima.
Outra influência que o número de unidades escondidas e o número de camadas podem
oferecer é sobre é sobre a incidência de mínimos locais, que são pontos na superfície de erro que
apresentam uma solução estável, embora não seja a saída correta. Aumentar o número de
camadas e de unidades escondidas provoca uma redução dos mínimos locais.

ITEM C - Explore a influência do número de exemplos e a qualidade dos exemplos

escolhidos em termos da generalização produzida pela rede.
 A quantidade e a qualidade dos exemplos são de extrema importância para uma correta
determinação da melhor solução para uma rede neural. A utilização exemplos vinculados ao dia
a dia do estudo em questão oferece uma capacidade de aprendizado otimizada à rede, visto que
o treinamento por meio de casos reais já impõe a rede neural o ambiente onde esta executando,
logo após a bateria de treinamento, realizada por meio dos exemplos, a rede cumprirá os testes
para saber quão eficiente é foi o aprendizado de modo mais adequado. No nosso caso
de estudo, os exemplos foram feitos levando em consideração a nossa opinião em meio ao
problema em questão. Analisamos que decisões tomariam caso estivemos sobre aquelas
condições. Por exemplo, o fato de o restaurante em questão possuir sala de espera e preço
popular é muito importante para um cliente esperar ou não por um atendimento. O preço ser
razoável e você estar com fome dispensam a necessidade de uma sala de espera para você
almoçar em um restaurante visinho ao seu trabalho?

ITEM D-Explore a influência do número de atributos nos exemplos e a qualidade dos

atributos escolhidos em termos da generalização produzida pela rede.

A escolha de atributos corretos é de extrema importância para a qualidade dos dados

obtidos. O uso de atributos apropriados causa uma melhora no algoritmo de aprendizagem da
máquina de modo a reduzir o custo computacional melhoram os modelos utilizados nos testes e
exemplos. Outro fatos importante que poder citar como sendo influenciado pelos atributos é que
eles por meio deles, podemos obter um melhor entendimento dos dados encontrados como torna
os modelos mais legíveis e ajudam a explicar melhor um problema real.

CONCLUSÃO

Vimos durante o trabalho que inteligência artificial busca pelo desenvolvimento de um

modo de agir semelhante ao cérebro humano. Essa é uma área em expansão e que deve
caminhar junto com o estudo do cérebro, pois novas coisas são descobertas frequentemente,
podendo facilitar assim o desenvolvimento de uma rede neural.
Assim, o seu estudo se mostra uma área bastante instigadora de se pesquisar, podendo
ser elaborado aplicações úteis para extrair uma saída correta de um conjunto de dados de
entrada, especialmente ligada às áreas de segurança e analisa de algoritmos para auxilio à
tomada de decisão.