Modelo de Predição e Classificação por Redes Neurais

Modelo de predição e classificação por Redes Neurais

A análise do modelo foi realizada considerando 5 cenários onde são variados a porcentagem de dados para modelo, o número de camadas e o número de neurônios e verificando os valores da acurácia, dos verdadeiros positivos, verdadeiros negativoss e as classes que estão sendo englobada pelo modelo tendo como referência o 1° cenário

1° cenário

Relative particion 33 %

Number of Layer 1

Number of neuron per layer = 10

2° cenário

Relative particion = 33 %

Number of layers = 10

Mumer of neuron per layer = 10

3° cenário

Relative particion = 33 %

Number of layers = 01

Mumer of neuron per layer = 100

4° cenário

Relative particion = 15 %

Number of layers = 01

Mumer of neuron per layer = 10

5° cenário

Relative particion = 33 %

Number of layers = 10

Mumer of neuron per layer = 100

Conclusão

O aumento de camadas conforme os cenários 2 e 5 não foi eficiente devido ao fato da acurácia ter ficado com um valor muito baixo e várias classes acabaram não sendo englobadas pelo modelo.

O aumento de dados para o modelo, realizado no cenário 4, não teve um aumento significativo na acurácia e nem no aumento dos valores de verdadeiro positivo e verdadeiros negativos

O cenário 5 foi modelo que teve o melhor desempenho, com o aumento do número de neurônios na única camada do modelo, teve-se um aumento significativo na acurácia, no englobamento das classes pelo modelo e nos valores de verdadeiros positivos e verdadeiros negativos.

Portanto para o modelo em questão o aumento nos números de neurônios se mostrou mais eficiente.