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.