portfólio inteligencia artificial

Prévia do material em texto

ANHANGUERA EDUCACIONAL
VILA MARIANA
ENGENHARIA DE SOFTWARE - BACHARELADO
SÃO PAULO –
SP 2023
PORTFÓLIO - RELATÓRIO DE AULA PRÁTICA:
TÉCNICAS DE INTELIGÊNCIA ARTIFICIAL
Trabalho de portfólio apresentado como requisito parcial para
obtenção de pontos para a média semestral.
Orientador:
SÃO PAULO –
SP 2023
Conforme proposto na aula prática, foi feita a análise de avaliação de um
modelo de rede neural utilizando o aplicativo Weka. O conjunto de dados
“diabetes.arff “ foi utilizado conforme orientação do documento disponibilizado pela
faculdade.
Iniciando os testes podemos ver o gráfico inicial, após abrir o arquivo
pela Weka. Nele podemos visualizar a base de dados que como informado
no documento tem 9 atributos e 768 instâncias:
A partir daí começamos a análise dos dados, que serão realizados em duas
etapas, na primeira etapa utilizaremos a opção “Use training set” para termos os
primeiros dados para análise. Após o start, o retorno da imagem da rede neural foi a
seguinte:
E na tela Classifier Output vão estar os dados que vamos comparar, que são o
“Root mean squared error” e “Confusion Matrix” como marcado na imagem a seguir:
No segundo teste aplicamos a divisão percentual de 75% para treinamento e o
restante do teste. A rede neural utilizando os 75%:
E na tela Classifier Output vamos verificar os novos dados, para comparação com o
anterior:
RESULTADO DA ANÁLISE
ANÁLISE 1 :
Durante a comparação dos dados mostrados acima, podemos visualizar que no
exemplo 1 que foi o que utilizamos apenas o “Use training set” , o Root mean squared
error (RMSE) veio baixo. Sendo extremamente otimista pode-se dizer que ele se deu
bem aos dados no treinamento. Analisando a Confusion Matrix podemos dizer que
mostrou um número significativo de classificação errôneas, em especial para a classe
de testes positivos.
ANÁLISE 2:
Ao mudarmos para o Percentage Split com 75% dos dados, podemos observar que
ele teve um desempenho um pouco pior, posso concluir que foi causado pela divisão
dos dados, afetando assim sua capacidade de generalização. Mas mesmo que o
Root mean squared error (RMSE) esteja mais alto do que o do exemplo 1, podemos
considerar que ele ainda está relativamente baixo.