Os Sistemas Integrados de Gestão

RESULTADOS

 

 

Para analisar os resultados, foram feitas diversas simulações variando a quantidade de neurônios na camada intermediária. Dentre todas as simulações, escolhemos aquela que mais se aproximou do real, ou seja aquela que apresentou o menor erro, sendo esse avaliado pela RMSE. Como era previsto, uma simulação apresentou valor diferente de outra. Dentre todas as simulações aquela que apresentou o menor erro foi a 6ª simulação com 15 neurônios. Os resultados obtidos pelo matlab estão apresentados na figura abaixo:

[pic 1]

[pic 2]

6ª Simulação – Com 15 neurônios na camada intermediária

 

A partir da simulação conseguimos gerar uma série de valores, o qual seria o nosso padrão de teste.

Com nosso padrão de teste fazemos a comparação com os valores esperados e geramos os seguintes gráficos:

 

[pic 3]

[pic 4]

[pic 5]

[pic 6]

 

A partir da comparação e visualização do gráfico podemos perceber que a rede neural se adaptou bem ao conjunto de dados, gerando uma boa previsão. Além disso vale calcular o desempenho da rede.

O desempenho da rede é medida pelo critério da raiz do erro quadrático médio (RMSE, root of the mean squared error) definido por

[pic 7]

A partir dessa fórmula, conseguimos calcular pelo Excel o desempenho da rede, dispostos na tabela abaixo:

 

	5 neurônios	10 neurônios	15 neurônios	20 neurônios
RMSE	0,0443	0,0513	0,0291	0,0349

 

 

ANÁLISE DOS RESULTADOS

Inicialmente, temos a simulação com 5, 10, 15 e 20 neurônios nas camadas intermediárias. Analisando visualmente através dos gráficos, pode-se facilmente verificar que não há relação direta entre a quantidade de neurônios na camada oculta e a qualidade da predição. Entende-se por qualidade na predição a capacidade de prever com o mínimo de erro possível, haja visto que é impossível prever com 100% de precisão.

Então, pode-se afirmar que a quantidade de neurônios da camada intermediária provê poder de “processamento” à rede, no sentido computacional, mas não há nada comprovadamente relacionado entre a quantidade de neurônios e a redução de erros de predição.

Ainda, deve se considerar a capacidade de prever os movimentos do segmento analisado. Como estamos falando de câmbio monetário, fica ainda mais difícil atrelar o número de neurônios à precisão das previsões. Isso porque a previsão é completamente afetada por fatores externos, como a economia do país, políticas monetárias, dentre outros.

...