Desafio Redes Multicamadas

Prévia do material em texto

Em algumas implementações do Perceptron a camada de saída contém apenas um neurônio, 
que produz uma única saída. Em outras, é possível que a camada de saída seja expandida e 
que, por consequência, seja possível classificar dados em problemas com mais de duas classes 
combinando as saídas dos diferentes neurônios ou, ainda, codificar a saída para representar 
várias classes. 
 
Descrição da imagem não disponívelQual o mínimo de neurônios necessários para essa 
classificação? Explique como chegou à quantidade apresentada e de que forma os dados são 
representados. 
 
Padrão de resposta esperado 
 
Utilizando neurônios para expressar valores de 0 ou 1 (dois estados), a combinação de saídas 
com dois destes será a multiplicação direta das possibilidades de cada neurônio 
individualmente: 2 . 2 = 4. Assim as quatro classes podem ser facilmente representadas pela 
combinação de resultados de dois neurônios com saídas binárias. 
 
O resultado no entanto deve ser compreendido como um valor único, adotando um dos 
neurônios como sendo o bit mais significativo e o outro o de menor valor significativo. Cada 
combinação irá corresponder a uma classe. 
 
- Classe 1: 00 (baixo). 
 
- Classe 2: 01 (médio). 
 
- Classe 3: 10 (alto). 
 
- Classe 4: 11 (muito alto). 
 
A camada de entrada vai receber valores reais correspondentes às taxas de alfabetização, de 
saneamento e renda. As entradas devem ser normalizadas, por possuírem intervalos distintos 
e o valor da renda exceder as demais entradas, o que acabaria suprimindo o impacto destas. 
Sendo assim, podem ser utilizados três neurônios na camada de entrada, um para cada 
variável, e ao menos uma camada oculta que permita relacionar os dados de forma não linear, 
se for o caso.