t1.org

T1 Redes Neurais Daniel Coelho Guimaraes 1021361

	GRUPO 1						GRUPO 2						GRUPO 3
	II	III	IV	V	VI	VII	II	III	IV	V	VI	VII	II	III	IV	V	VI	VII
primeira hidden layer	0	1	1	2	1	1	0	1	1	2	1	1	0	1	1	2	1	1
segunda hidden layer	0	2	2	2	2	0	0	2	2	2	2	0	0	2	2	2	2	0
Class. Correta (%)	53.03	90.98	90.46	91.33	79.33	91.33	50.60	89.42	89.60	91.33	76.66	91.3	56.49	90.12	89.94	86.66	77.33	86.66
Class. Incorreta (%)	46.96	9.01	9.53	8.66	20.66	8.66	49.39	10.57	10.39	8.66	23.33	8.66	43.50	9.8	10.05	13.33	22.66	13.33
MAE (%)	0.49	0.41	0.16	0.15	0.33	0.16	0.49	0.15	0.15	0.15	0.34	0.15	0.49	0.17	0.17	0.16	0.33	0.16
RMSE (%)	0.50	0.49	0.28	0.29	0.40	0.28	0.53	0.29	0.29	0.27	0.42	0.28	0.49	0.29	0.29	0.32	0.41	0.32
RAE (%)	99.32	31.53	33.25	30.67	66.30	32.19	99.57	30.95	31.28	30.42	68.56	31.32	100.12	35.29	34.72	33.52	67.62	33.72
RRSE (%)	100.46	56.15	56.79	58.67	81.75	56.92	107.82	59.70	59.70	55.88	84.90	56.28	100.11	58.73	58.91	65.09	82.97	64.85
Instancias Corretamente Classificadas	306	525	522	137	119	137	292	516	517	137	115	137	326	520	519	130	116	130
Instancias Incorretamente Classificadas	271	52	55	13	31	13	285	61	60	13	35	13	251	57	58	20	34	20

	Media (%)	Desvio Padrao (%)
II	53.37	2.41
III	90.17	0.72
IV	90	0.43
V	89.77	2.69
VI	77.76	1.39
VII	89.76	2.68

Justificativa II: Nesse caso a rede realiza overfitting muito rápido pois aumentando o número de neuronios escondidos (o tamanho da rede) foi observado que a classificação se mantinha, logo nesse caso a rede não necessita ser muito flexível sendo desnecessário o uso de camadas escondidas.

obs: Após feita a normalização, os resultados obtidos (para a mesma configuração de neuronios) melhorou. Logo, a normalização teve efeito positivo na rede.

Justificativa IV: Ao variar o número de épocas com a mesma configuração o resultado foi curioso pois com uma época a rede teve um resultado significantemente pior (53 %) com 100 epócas o resultado foi o melhor obtido (90.46 %) e com 1000 épocas o resultado piorou um pouco (87 %). Isso indica, que esse algoritmo é ótimo para um número entre 100 e 1000 épocas o que é comprovado pois a configuração III classificou 90.98 % corretos com 500 épocas (default). A configuração dos neuronios permaceceu a mesma da configuração III, pois a estrutura da rede continuou a mesma assim como a entrada, logo não faz sentido variar os neurônios nesse caso.

Justificativa V: Utilizando 10% do conjunto de treino para validar foi observado que diferentemente da configuração I, agora a rede necessita ser mais flexível e se abdicar do padrão linear pois foi observado que que ao aumentar o número de camadas foi obtido mais acertos. Adcionando duas camadas uma com 2 e 2 neurônios foi possível realizar o ajuste fino que maximizava o número de acertos.

Justificativa VI: Realizando o filtro dos atributos numéricos para binários foi obtido um resultado pior que para a mesma configuração sem a utilização do filtro. O números de camadas escondidas e o número de neurônios em cada camada foi variado mas o resultado permaneceu. Isso sugere que alterar os atributos numéricos para algum outro formato como o binário pode empobrecer a rede i.e. reduzir sua velocidade e acurácia na classificação do padrão.

Justificativa VII: Após agrupar os atributos ESTC e NDEP em 2 grupos de valores, foi obtido um resultado melhor utilizando uma camada escondida com um neurônio comparado a configuração III. Esse resultado se deu pois alguns grupos de valores tinham quantidades insignificantes e essa filtro “MergeTwoValues” ajudou o algoritmo a encontrar um melhor resultado por eliminar o ruido na entrada. Foi obtido um resultado um pouco melhor com a configuração descrita, na configuração padrão (nenhuma camada escondida) o algoritmo teve performance um pouco pior por precisar de um pouco mais flexibilidade após o agrupamento.