A INTELIGÊNCIA ARTIFICIAL E ROBÓTICA
Por: teddie • 27/5/2020 • Projeto de pesquisa • 1.451 Palavras (6 Páginas) • 230 Visualizações
[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
- INTRODUÇÃO 5
Visualização Conjunto de Dados Inicial 5[pic 2]
Conclusão Inicial: 9[pic 3]
- Teste 1 10
Conclusão 1 10[pic 4]
- Teste 2 11
Conclusão 2 11[pic 5]
- Teste 3 12
Conclusão 3 12[pic 6]
- Teste 4 13
Conclusão 4 13[pic 7]
- Teste 5 14
Conclusão 5 14[pic 8]
- Conclusão Final 16
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.
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%.
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.
...