A INTELIGÊNCIA ARTIFICIAL E ROBÓTICA

[pic 1]

INTELIGÊNCIA ARTIFICIAL E ROBÓTICA DATA: 01/05/2020

ALUNOS:

ANDRÉ ARO MORENO        RA: 151494 JORGE LUIZ VAZ DOS SANTOS        RA: 203090 LUÍS FELIPE ANDRADE CASSILO        RA: 160986 RODRIGO DE CAMPOS GRANDO                RA: 203173 RONALDO BEZERRA SANCHEZ                RA: 203139

PROFESSOR: MSC. JOHANNES VON LOCHTER

Relatório KNIME

Sorocaba/SP 2020

LISTA DE ILUSTRAÇÕES

Figura 1 – Mapa Conjunto de Dados Inicial        5

Figura 2 – Dados Table Reader Inicial        6

Figura 3 – Dados Nomalizer Inicial        6

Figura 4 – Dados Partitioning Inicial        7

Figura 5 – Dados RPropMLP Learner Inicial        8

Figura 6 – Dados MultiLayerPerceptron Predictor Inicial        8

Figura 7 – Modificações Teste 1        10

Figura 8 – Modificações Teste 2        11

Figura 9 – Modificações Teste 3        12

Figura 10 – Modificações Teste 4        13

Figura 11 – Modificações Teste 5        14

LISTA DE TABELAS

Tabela 1 – Resultado Inicial        9

Tabela 2 – Resultado Teste 1        10

Tabela 3 – Resultado Teste 2        11

Tabela 4 – Resultado Teste 3        12

Tabela 5 – Resultado Teste 4        13

Tabela 6 – Resultado Teste 5        14

SUMÁRIO

1. INTRODUÇÃO        5

Visualização Conjunto de Dados Inicial        5[pic 2]

Conclusão Inicial:        9[pic 3]

1. Teste 1        10

Conclusão 1        10[pic 4]

1. Teste 2        11

Conclusão 2        11[pic 5]

1. Teste 3        12

Conclusão 3        12[pic 6]

1. Teste 4        13

Conclusão 4        13[pic 7]

1. Teste 5        14

Conclusão 5        14[pic 8]

1. Conclusão Final        16

1. INTRODUÇÃO

Trabalho com objetivo de mostrar e comentar os acontecimentos, ao se alterar alguma característica do conjunto de dados satélite. Para fazer esse trabalho foi utilizado um arquivo base, do KNIME, chamado “02_Example_for_Learning_a_Neural_Network”. O arquivo tem como objetivo classificar alguns dados de imagem utilizando uma rede neural.

Visualização Conjunto de Dados Inicial[pic 9]

A figura abaixo mostra o mapa geral do conjunto de dados utilizado.

Figura 1 – Mapa Conjunto de Dados Inicial

[pic 10]

Assim podemos definir a função de cada uma das ferramentas utilizadas nesse processo:

• Table Reader: Ferramenta utilizada para a leitura dos dados.

Figura 2 – Dados Table Reader Inicial

[pic 11]

• Nomalizer: Ferramenta utilizada para normalizar os valores de todas as colunas (numéricas).

Figura 3 – Dados Nomalizer Inicial

[pic 12]

• Partitioning: Ferramenta utilizada para separar os dados em duas partes, uma parte para treino e outra parte para teste.

Figura 4 – Dados Partitioning Inicial

[pic 13]

Para escolher quantos dados irão para o treino e quantos irão para o teste a ferramenta da duas possibilidades, Absolute: Onde deve- se especificar absoluto de linhas. Relative[%]: Onde deve-se especificar a porcentagem de linhas a ser utilizada.

• RPropMLP Learner: Ferramenta utilizada para fazer o treinamento dos dados, nela pode escolher o número de camadas, de interações e neurônios.

Figura 5 – Dados RPropMLP Learner Inicial

[pic 14]

• MultiLayerPerceptron Predictor: Ferramenta utilizada para testar as amostras (que não foram treinadas).

Figura 6 – Dados MultiLayerPerceptron Predictor Inicial

[pic 15]

• Scorer: Ferramente utilizada para ler os resultados obtidos. Tabela 1 – Resultado Inicial[pic 16]

Conclusão Inicial:[pic 17]

Após o obter o resultado final, analisado através das configurações descritas no tópico acima, pode-se obter as seguintes informações:

Obteve uma acurácia geral de 78%, entretanto há duas classes que prejudicam muito esse resultado, a classe4 que possuiu uma f-medida inferior a 50% e a classe3 que não foi possível calcular sua f-medida, sendo, foram elaborados alguns testes para conseguir melhorar o resultado destas duas classes e assim conseguir melhorar ainda mais a acurácia geral.

1. Teste 1

Para realizar o primeiro teste, foi escolhido aumentar o número de camada para 4 ao invés de 1, os demais dados seguiram inalterados

Figura 7 – Modificações Teste 1

[pic 18]

Conclusão 1[pic 19]

Tabela 2 – Resultado Teste 1

[pic 20]

Nota-se que ouve um aumento na acurácia geral para 83%, devido ao aumento da f-medida da classe 3 que passou a ser 27,8% e da classe 4 que passou a ser 72,8%.

1. Teste 2

Para a realização do teste 2, além de aumentar o número de camadas para 4, foi alterado o número de neurônio por camada para 40, as demais configurações foram mantidas como a inicial.