A Inteligência Artificial

[pic 1][pic 2]

CURSO DE ENGENHARIA DE COMPUTAÇÃO

INTELIGÊNCIA ARTIFICIAL

2020

CENTRO UNIVERSITÁRIO CARIOCA

Curso de Engenharia da Computação

Relatório dos Experimentos com o naive bayesian learning, árvores de decisão e redes neurais

Aluno: Allan Vieira de Santana

Matrícula: 2017103203

Rio de Janeiro 2020

ALLAN VIEIRA DE SANTANA

Relatório dos Experimentos com o naive bayesian learning, árvores de decisão e redes neurais

Relatório apresentado como 2ª avaliação da disciplina de Inteligência Artificial do Curso de Engenharia da Computação do Centro Universitário Carioca

Professora: Daisy Cristine Albuquerque Silva

Período: 8°

Rio de Janeiro 2020

SUMÁRIO

1. Introdução        3
2. Descrição do problema e Base de dados        4

1. Descrição da base de dados        4
2. Divisão da base de dados        4
3. Pré-processamento        5

1. Experimentos        5

1. Naive Bayesian Learning         5
2. Experimento com árvores de decisão        9
3. Redes Neurais.................................................................................................11

1. Análise comparativa        14

1. Árvores de Decisão e Naive Bayesian Learning..............................................14
2. Árvores de Decisão e Redes Neurais..............................................................14
3. Naive Bayesian learning e Redes Neurais.......................................................15
4. Conclusão.........................................................................................................15

1.  Sugestões para melhoria dos experimentos...........................................................16
2. Referências bibliográficas........................................................................................16
3. Apresentação do Trabalho Acadêmico....................................................................16

3

1. Introdução

A ferramenta WEKA será a ferramenta utilizada no trabalho para realizar a medição de acurácia realizando experimentos com Naive Bayesian Learning, árvores de decisão e redes neurais, onde o programa tentará adivinhar qual é a letra de acordo com as variáveis numéricas que são passadas para o programa. De acordo com os resultados obtidos, levando em conta a porcentagem de acertos conseguiremos medir a acurácia, que seria a proximidade entre o valor obtido experimentalmente e o valor verdadeiro na medição.

4

1. Descrição do problema e Base de Dados

Inicialmente foi disponibilizada uma base de dados que tinha a letra e as variáveis numéricas (que faziam parte da composição daquela letra), devemos usar o WEKA para avaliar através de qual algoritmo e com quais parâmetros vamos obter um índice de acertos de forma mais satisfatória.

1. Descrição da base de dados

A base de dados contém 2 arquivos importantes para o andamento do nosso exercício, um é o arquivo .names que contem o nome das variáveis que estão contidas no arquivo .data, esse último com vinte mil registros com 17 atributos cada um.

1. Divisão da base de dados

Para resolução do problema proposto inicialmente foi verificado a base de dados que foi disponibilizada no AVA de modo que ela possa ser aceita pelo WEKA, ou seja, um arquivo com extensão .arff e que tenha a formatação adequada como mostra na figura abaixo:

[pic 3]

5

Como podemos perceber temos dezessete variáveis declaradas (as variáveis receberam os nomes sugeridos no arquivo .names) , onde uma delas é do tipo nominal e as demais do tipo numérico. O restante do arquivo – após “@DATA” – é igual ao arquivo .data que foi disponibilizado, que é salvo como .arff (formato aceito pelo WEKA, como já mencionado).

        

1. Pré-processamento

A aceitação dos dados ocorre de maneira rápida, onde pude encontrar um pouco de dificuldade apenas pelo fato da variável lettr precisar ser do tipo nominal, o WEKA tem a funcionalidade “stringtonominal”, que particularmente não consegui implementar, mas da maneira como foi apresentado ( um vetor que mostra caracteres do tipo nominal que são aceitos), dessa forma o WEKA aceitou nossa base de dados e sendo assim foi possível trabalhar com ela.

1.  Experimentos

1. Naive Bayesian Learning

Com o referido modelo implementamos de forma simples e rápida todos os treinamentos propostos, no entanto não encontramos um modelo que acerte com uma precisão tão elevada.

 

1.   Metodologia de treinamento (valores dos parâmetros)

Utilizamos para todos os canários 10-fold cross validation. E os Para os parâmetros do algoritmo, foi utilizado 3 configurações distintas, que foram:

(useKernelEstimator=false e useSupervisedDiscretization=false);

(useKernelEstimator=true e useSupervisedDiscretization=false);

(useKernelEstimator=false e useSupervisedDiscretization=true).

1.  Resultados obtidos

No Primeiro teste, isso é com (useKernelEstimator=false e useSupervisedDiscretization=false) obtivemos o seguinte resultado:

6

[pic 4]

        O que nos mostra que rapidamente tivemos uma resposta, entretanto o índice de acertos foi de apenas 64%, que podemos considerar uma taxa baixa.