Você está na página 1de 56

Redes Neurais

Toolbox de Redes Neurais no MATLAB

http//www.ica.ele.puchttp//www.ica.ele.puc-rio.br/birio.br/bi-master

Toolbox de Redes Neurais no MATLAB

Introduo ao Matlab

Linha de comando NNTool

Estudo de Casos
Previso

de carga mensal

Anlise de Crdito Bancrio


http//www.ica.ele.puchttp//www.ica.ele.puc-rio.br/birio.br/bi-master

Ambiente MATLAB
MATLAB MATrix LABoratory Programao baseada em Matrizes Vetores e escalares tambm podem ser considerados matrizes, 1xN, Nx1, 1x1

http//www.ica.ele.puchttp//www.ica.ele.puc-rio.br/birio.br/bi-master

Tela Principal do MATLAB


Janela de Comando

http//www.ica.ele.puchttp//www.ica.ele.puc-rio.br/birio.br/bi-master

Tela Principal do MATLAB

Janela de Histrico

http//www.ica.ele.puchttp//www.ica.ele.puc-rio.br/birio.br/bi-master

Tela Principal do MATLAB


Launch Pad

http//www.ica.ele.puchttp//www.ica.ele.puc-rio.br/birio.br/bi-master

Tela Principal do MATLAB

http//www.ica.ele.puchttp//www.ica.ele.puc-rio.br/birio.br/bi-master

Definindo uma Matriz Explicitamente


Elementos de uma linha so separados por espaos ou vrgulas. vrgulas O final de cada linha indicado por um ponto-e-vrgula. vrgula A lista de elementos delimitada por colchetes [ ].

http//www.ica.ele.puchttp//www.ica.ele.puc-rio.br/birio.br/bi-master

Matrizes no MATLAB
Quadro Melancholia I, do artista alemo e matemtico amador Albrecht Drer

http//www.ica.ele.puchttp//www.ica.ele.puc-rio.br/birio.br/bi-master

Definindo uma Matriz Explicitamente


No caso do quadrado mgico:
>>
A = 16 5 9 4 3 10 6 15 2 11 7 14 13 8 12 1 A = [16 3 2 13; 5 10 11 8; 9 6 7 12; 4 15 14 1]

http//www.ica.ele.puchttp//www.ica.ele.puc-rio.br/birio.br/bi-master

Redes Neurais no MATLAB


Duas formas de utilizao:
Linhas de comando e m-files Interface grfica (NNTool)

http//www.ica.ele.puchttp//www.ica.ele.puc-rio.br/birio.br/bi-master

Passos para a Criao de uma RN


Definir os padres Inicializar a rede Definir os parmetros de treinamento Treinar a rede Testar a rede

http//www.ica.ele.puchttp//www.ica.ele.puc-rio.br/birio.br/bi-master

O Problema do OU Exclusivo
1

x2
0

x1

X1 0 0 1 1

X2 0 1 0 1

valor 0 1 1 0
http//www.ica.ele.puchttp//www.ica.ele.puc-rio.br/birio.br/bi-master

Passos para a Criao de uma RN


Definir os padres Inicializar a rede Definir os parmetros de treinamento Treinar a rede Testar a rede

http//www.ica.ele.puchttp//www.ica.ele.puc-rio.br/birio.br/bi-master

Definindo os Padres
X1 0 0
# de linhas = # de variveis # de colunas = # de padres

X2 0 1 0 1

valor 0 1 1 0

1 1

0 0 1 1 Vetor de entrada: P = 0 1 0 1 P = [0 0 1 1; 0 1 0 1]

Vetor de sada:

T = [0 1 1 0]
http//www.ica.ele.puchttp//www.ica.ele.puc-rio.br/birio.br/bi-master

Passos para a Criao de uma RN


Definir os padres Inicializar a rede Definir os parmetros de treinamento Treinar a rede Testar a rede

http//www.ica.ele.puchttp//www.ica.ele.puc-rio.br/birio.br/bi-master

Inicializando a Rede Neural


Redes Feed-forward: Funo newff

net = newff(

[min(P')' max(P')'], [N_hidden 1], {'tansig' 'logsig'}, 'traingd');

(limites dos padres de entrada) (nmero de neurnios de cada camada) (funo de ativao de cada camada) (algoritmo de treinamento)

http//www.ica.ele.puchttp//www.ica.ele.puc-rio.br/birio.br/bi-master

Funes de Ativao
purelin logsig tansig satlin(s) Linear Sigmide Tangente hiperblica Linear com saturao

http//www.ica.ele.puchttp//www.ica.ele.puc-rio.br/birio.br/bi-master

Algoritmos de Treinamento
traingd traingdm traingda traingdx Gradient descent backpropagation Gradient descent backpropagation com momentum Gradient descent backpropagation com taxa adaptativa Gradient descent backpropagation com momentum e taxa adaptativa Levenberg-Marquardt backpropagation (default) Resilient backpropagation (Rprop)

trainlm trainrp

http//www.ica.ele.puchttp//www.ica.ele.puc-rio.br/birio.br/bi-master

Passos para a Criao de uma RN


Definir os padres Inicializar a rede Definir os parmetros de treinamento Treinar a rede Testar a rede

http//www.ica.ele.puchttp//www.ica.ele.puc-rio.br/birio.br/bi-master

10

Definindo parmetros de treinamento

net.trainParam.epochs = 100; net.trainParam.goal = 1e-8; net.trainParam.lr = 0.01; net.trainParam.show = 25; net.trainParam.mc = 0.9;

Nmero de epochs Erro final desejado Taxa de aprendizado Atualizao da tela (epochs) Taxa de momentum

net.trainParam.lr_inc = 1.05; Taxa de incremento da l.r. net.trainParam.lr_dec = 0.7; Taxa de decremento da l.r. net.trainParam.max_perf_inc = 1.04; Incremento mximo do erro

http//www.ica.ele.puchttp//www.ica.ele.puc-rio.br/birio.br/bi-master

Passos para a Criao de uma RN


Definir os padres Inicializar a rede Definir os parmetros de treinamento Treinar a rede Testar a rede

http//www.ica.ele.puchttp//www.ica.ele.puc-rio.br/birio.br/bi-master

11

Treinando a Rede Neural

net = train(net, P, T);

http//www.ica.ele.puchttp//www.ica.ele.puc-rio.br/birio.br/bi-master

Passos para a Criao de uma RN


Definir os padres Inicializar a rede Definir os parmetros de treinamento Treinar a rede Testar a rede

http//www.ica.ele.puchttp//www.ica.ele.puc-rio.br/birio.br/bi-master

12

Testando a Rede Neural

C = sim(net, P);

http//www.ica.ele.puchttp//www.ica.ele.puc-rio.br/birio.br/bi-master

M-file desenvolvida para o XOR


TESTE 1: 1: Rede neural com apenas uma camada de processadores; PERCEPTRON BSICO

xor1.m

http//www.ica.ele.puchttp//www.ica.ele.puc-rio.br/birio.br/bi-master

13

M-file desenvolvida para o XOR


TESTE 2: 2: Rede neural com uma camada escondida de processadores (Multi-Layer Perceptron); TAXA de APRENDIZADO CONSTANTE, sem MOMENTUM; MOMENTUM

xor1.m xor2.m

http//www.ica.ele.puchttp//www.ica.ele.puc-rio.br/birio.br/bi-master

M-file desenvolvida para o XOR


TESTE 3: 3: Rede neural com uma camada escondida de processadores (Multi-Layer Perceptron); TAXA ADAPTATIVA e MOMENTUM; MOMENTUM

xor1.m xor3.m

http//www.ica.ele.puchttp//www.ica.ele.puc-rio.br/birio.br/bi-master

14

Validao Cruzada
Dividir os padres disponveis em trs conjuntos:
treinamento (70%): matrizes Ptrain, Ttrain validao (20%): matrizes Pvalid, Tvalid teste (10%): matrizes Ptest, Ttest

http//www.ica.ele.puchttp//www.ica.ele.puc-rio.br/birio.br/bi-master

Validao Cruzada
% Inicializa a rede neural net = newff([min(P')' max(P')'],[10 1],{'tansig' 'logsig'},'traingd'); net.trainParam.goal = 1e-8; % Treina a rede iterativamente, de 5 em 5 epochs, % at o total de 100 epochs, calculando os erros Nepoch = 5; NN = 20; mape_min = 1e38; for i = 1:NN, net.trainParam.epochs = Nepoch; net = train(net, Ptrain, Ttrain); Ctrain = sim(net, Ptrain); Cvalid = sim(net, Pvalid); % Calcula os erros MAPE para os padres de treinamento e validao mape_train(i) = 100*mean(abs((Ttrain-Ctrain)./Ttrain)) mape_valid(i) = 100*mean(abs((Tvalid-Cvalid)./Tvalid))
http//www.ica.ele.puchttp//www.ica.ele.puc-rio.br/birio.br/bi-master

15

Validao Cruzada
% encontra o nmero de epochs timo if (mape_valid(i) < mape_min) mape_min = mape_valid(i); net_opt = net; Noptim = Nepoch * i; end end % Melhor rede: net = net_opt; % Testa a rede com os 3 conjuntos de padres Ctrain = sim(net, Ptrain); Cvalid = sim(net, Pvalid); Ctest = sim(net, Ptest);

http//www.ica.ele.puchttp//www.ica.ele.puc-rio.br/birio.br/bi-master

Redes Neurais no MATLAB


Duas formas de utilizao:
Linhas de comando, e m-files Interface grfica (NNTool)

http//www.ica.ele.puchttp//www.ica.ele.puc-rio.br/birio.br/bi-master

16

Interface Grfica NNTool

http//www.ica.ele.puchttp//www.ica.ele.puc-rio.br/birio.br/bi-master

Passos para a Criao de uma RN


Definir os padres Criar a rede Inicializar a rede Definir os parmetros de treinamento Treinar a rede Testar a rede

http//www.ica.ele.puchttp//www.ica.ele.puc-rio.br/birio.br/bi-master

17

Definindo os Padres

http//www.ica.ele.puchttp//www.ica.ele.puc-rio.br/birio.br/bi-master

Definindo os Padres

http//www.ica.ele.puchttp//www.ica.ele.puc-rio.br/birio.br/bi-master

18

Definindo os Padres

http//www.ica.ele.puchttp//www.ica.ele.puc-rio.br/birio.br/bi-master

Definindo os Padres

http//www.ica.ele.puchttp//www.ica.ele.puc-rio.br/birio.br/bi-master

19

Passos para a Criao de uma RN


Definir os padres Criar a rede Inicializar a rede Definir os parmetros de treinamento Treinar a rede Testar a rede

http//www.ica.ele.puchttp//www.ica.ele.puc-rio.br/birio.br/bi-master

Criando a Rede Neural

http//www.ica.ele.puchttp//www.ica.ele.puc-rio.br/birio.br/bi-master

20

Criando a Rede Neural

http//www.ica.ele.puchttp//www.ica.ele.puc-rio.br/birio.br/bi-master

Visualizando a Rede Neural

http//www.ica.ele.puchttp//www.ica.ele.puc-rio.br/birio.br/bi-master

21

Visualizando a Rede Neural

http//www.ica.ele.puchttp//www.ica.ele.puc-rio.br/birio.br/bi-master

Passos para a Criao de uma RN


Definir os padres Criar a rede Inicializar a rede Definir os parmetros de treinamento Treinar a rede Testar a rede

http//www.ica.ele.puchttp//www.ica.ele.puc-rio.br/birio.br/bi-master

22

Inicializando a Rede Neural

http//www.ica.ele.puchttp//www.ica.ele.puc-rio.br/birio.br/bi-master

Inicializando a Rede Neural

http//www.ica.ele.puchttp//www.ica.ele.puc-rio.br/birio.br/bi-master

23

Inicializando a Rede Neural

http//www.ica.ele.puchttp//www.ica.ele.puc-rio.br/birio.br/bi-master

Passos para a Criao de uma RN


Definir os padres Criar a rede Inicializar a rede Definir os parmetros de treinamento Treinar a rede Testar a rede

http//www.ica.ele.puchttp//www.ica.ele.puc-rio.br/birio.br/bi-master

24

Definindo parmetros de treinamento

http//www.ica.ele.puchttp//www.ica.ele.puc-rio.br/birio.br/bi-master

Definindo parmetros de treinamento

http//www.ica.ele.puchttp//www.ica.ele.puc-rio.br/birio.br/bi-master

25

Definindo parmetros de treinamento

http//www.ica.ele.puchttp//www.ica.ele.puc-rio.br/birio.br/bi-master

Passos para a Criao de uma RN


Definir os padres Criar a rede Inicializar a rede Definir os parmetros de treinamento Treinar a rede Testar a rede

http//www.ica.ele.puchttp//www.ica.ele.puc-rio.br/birio.br/bi-master

26

Treinando a Rede Neural

http//www.ica.ele.puchttp//www.ica.ele.puc-rio.br/birio.br/bi-master

Treinando a Rede Neural

http//www.ica.ele.puchttp//www.ica.ele.puc-rio.br/birio.br/bi-master

27

Passos para a Criao de uma RN


Definir os padres Criar a rede Inicializar a rede Definir os parmetros de treinamento Treinar a rede Testar a rede

http//www.ica.ele.puchttp//www.ica.ele.puc-rio.br/birio.br/bi-master

Testando a Rede Neural

http//www.ica.ele.puchttp//www.ica.ele.puc-rio.br/birio.br/bi-master

28

Testando a Rede Neural

http//www.ica.ele.puchttp//www.ica.ele.puc-rio.br/birio.br/bi-master

Testando a Rede Neural

http//www.ica.ele.puchttp//www.ica.ele.puc-rio.br/birio.br/bi-master

29

Testando a Rede Neural

http//www.ica.ele.puchttp//www.ica.ele.puc-rio.br/birio.br/bi-master

Testando a Rede Neural

http//www.ica.ele.puchttp//www.ica.ele.puc-rio.br/birio.br/bi-master

30

Testando a Rede Neural

http//www.ica.ele.puchttp//www.ica.ele.puc-rio.br/birio.br/bi-master

Exportando os Dados

http//www.ica.ele.puchttp//www.ica.ele.puc-rio.br/birio.br/bi-master

31

Exportando os Dados

http//www.ica.ele.puchttp//www.ica.ele.puc-rio.br/birio.br/bi-master

O Problema do OU Exclusivo
1

x2
0

x1

X1 0 0 1 1

X2 0 1 0 1

valor 0 1 1 0
http//www.ica.ele.puchttp//www.ica.ele.puc-rio.br/birio.br/bi-master

32

Rede Neural com Camada Escondida

http//www.ica.ele.puchttp//www.ica.ele.puc-rio.br/birio.br/bi-master

Rede Neural com Camada Escondida

http//www.ica.ele.puchttp//www.ica.ele.puc-rio.br/birio.br/bi-master

33

Rede Neural com Camada Escondida

http//www.ica.ele.puchttp//www.ica.ele.puc-rio.br/birio.br/bi-master

Rede Neural com Camada Escondida

http//www.ica.ele.puchttp//www.ica.ele.puc-rio.br/birio.br/bi-master

34

Rede Neural com Camada Escondida

http//www.ica.ele.puchttp//www.ica.ele.puc-rio.br/birio.br/bi-master

Rede Neural com Camada Escondida

http//www.ica.ele.puchttp//www.ica.ele.puc-rio.br/birio.br/bi-master

35

Reconhecimento de Dgitos

http//www.ica.ele.puchttp//www.ica.ele.puc-rio.br/birio.br/bi-master

Reconhecimento de Dgitos

http//www.ica.ele.puchttp//www.ica.ele.puc-rio.br/birio.br/bi-master

36

Reconhecimento de Dgitos

http//www.ica.ele.puchttp//www.ica.ele.puc-rio.br/birio.br/bi-master

Reconhecimento de Dgitos

http//www.ica.ele.puchttp//www.ica.ele.puc-rio.br/birio.br/bi-master

37

Definio dos Padres de Entrada


0 1 0 0

0 1 0 0 1

1 1 1 1 1

0 0 0 0 1

0 0 0 0 0

1 1 0 0 0 1 0 0 0 1 0 0 1 1 1

http//www.ica.ele.puchttp//www.ica.ele.puc-rio.br/birio.br/bi-master 0

Definio dos Padres de Entrada


0 1 1 0

0 1 0 0 1

1 0 0 1 1

1 0 1 0 1

0 1 0 0 1

1 0 0 1 0 0 1 0 0 1 0 0 1 1 1

http//www.ica.ele.puchttp//www.ica.ele.puc-rio.br/birio.br/bi-master 1

38

Definio dos Padres de Entrada


Cada dgito (padro): 20 bits Nmero de padres: 10 dgitos Representao: Matriz 20 x 10
Cada coluna representa um dgito Cada linha representa um bit Cada bit est associado com um neurnio de entrada

http//www.ica.ele.puchttp//www.ica.ele.puc-rio.br/birio.br/bi-master

Definio dos Padres de Entrada


0 1 0 0 1 1 0 0 0 1 0 0 0 1 0 0 1 1 1 0 0 1 1 0 1 0 0 1 0 0 1 0 0 1 0 0 1 1 1 1 1 1 1 0 0 0 0 1 0 0 1 0 0 0 0 1 1 1 1 0 1 0 1 0 1 0 1 0 1 1 1 1 0 0 1 0 0 0 1 0 1 1 1 1 1 0 0 0 1 1 1 0 0 0 0 1 1 1 1 0 0 1 1 1 1 0 0 0 1 1 1 0 1 0 0 1 0 1 1 0 1 1 1 1 0 0 0 1 0 0 1 0 0 1 0 0 0 1 0 0 0 1 1 0 1 0 0 1 0 1 1 0 1 0 0 1 0 1 1 0 0 1 1 0 1 0 0 1 0 1 1 1 0 0 0 1 1 1 1 1 0 1 1 0 1 0 0 1 1 0 0 1 1 0 0 1 0 1 1 0

http//www.ica.ele.puchttp//www.ica.ele.puc-rio.br/birio.br/bi-master

39

Definio dos Padres de Sada


1 0 0 0 0 0 0 0 0 0
http//www.ica.ele.puchttp//www.ica.ele.puc-rio.br/birio.br/bi-master

Definio dos Padres de Sada


1 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 1

http//www.ica.ele.puchttp//www.ica.ele.puc-rio.br/birio.br/bi-master

40

Converso dos Arquivos


>> >> >> >> load save load save digitos.txt digitos saidas.txt saidas

http//www.ica.ele.puchttp//www.ica.ele.puc-rio.br/birio.br/bi-master

Importao dos Dados p/ NNTool

http//www.ica.ele.puchttp//www.ica.ele.puc-rio.br/birio.br/bi-master

41

Importao dos Dados p/ NNTool

http//www.ica.ele.puchttp//www.ica.ele.puc-rio.br/birio.br/bi-master

Importao dos Dados p/ NNTool

http//www.ica.ele.puchttp//www.ica.ele.puc-rio.br/birio.br/bi-master

42

Definio das Redes


Network name: network15 Tipo: Tipo feed-forward backprop Input Ranges: Ranges Get from input Training Function: Function TRAINGDM Number of layers: layers 2
Layer 1: 1 15 neurons Layer 2: 2 10 neurons TANSIG PURELIN
http//www.ica.ele.puchttp//www.ica.ele.puc-rio.br/birio.br/bi-master

Definio das Redes


Network name: network25 Tipo: Tipo feed-forward backprop Input Ranges: Ranges Get from input Training Function: Function TRAINGDM Number of layers: layers 2
Layer 1: 1 25 neurons Layer 2: 2 10 neurons TANSIG PURELIN
http//www.ica.ele.puchttp//www.ica.ele.puc-rio.br/birio.br/bi-master

43

Definio das Redes


Network name: network35 Tipo: Tipo feed-forward backprop Input Ranges: Ranges Get from input Training Function: Function TRAINGDM Number of layers: layers 2
Layer 1: 1 35 neurons Layer 2: 2 10 neurons TANSIG PURELIN
http//www.ica.ele.puchttp//www.ica.ele.puc-rio.br/birio.br/bi-master

Treinamento das Redes


Epochs: Epochs Goal (MSE): (MSE) Learning Rate (lr): Momentum: Momentum 10000 0.5e-3 0.1 0.0

http//www.ica.ele.puchttp//www.ica.ele.puc-rio.br/birio.br/bi-master

44

Treinamento das Redes


Epochs: Epochs Goal (MSE): (MSE) Learning Rate (lr): Momentum: Momentum 10000 0.5e-3 0.4 0.0

http//www.ica.ele.puchttp//www.ica.ele.puc-rio.br/birio.br/bi-master

Treinamento das Redes


Epochs: Epochs Goal (MSE): (MSE) Learning Rate (lr): Momentum: Momentum 10000 0.5e-3 0.9 0.0

http//www.ica.ele.puchttp//www.ica.ele.puc-rio.br/birio.br/bi-master

45

Treinamento das Redes


Epochs: Epochs Goal (MSE): (MSE) Learning Rate (lr): Momentum: Momentum 10000 0.5e-3 0.1 0.4

http//www.ica.ele.puchttp//www.ica.ele.puc-rio.br/birio.br/bi-master

Treinamento das Redes


Epochs: Epochs Goal (MSE): (MSE) Learning Rate (lr): Momentum: Momentum 10000 0.5e-3 0.9 0.4

http//www.ica.ele.puchttp//www.ica.ele.puc-rio.br/birio.br/bi-master

46

Teste das Redes

1 bit errado

2 bits errados

3 bits errados

http//www.ica.ele.puchttp//www.ica.ele.puc-rio.br/birio.br/bi-master

Toolbox de Redes Neurais no MATLAB

Introduo ao Matlab

Linha de comando NNTool

Estudo de Casos
Previso

de carga mensal

Anlise de Crdito Bancrio


http//www.ica.ele.puchttp//www.ica.ele.puc-rio.br/birio.br/bi-master

47

Previso de Carga Mensal


Objetivo: previso, um passo a frente, da demanda mensal da CEMIG, variando os seguintes parmetros: Janela: Janela 3, 6 e 12 valores passados; Codificao do Ms: Ms
Uma entrada real Codificao 1 de N = 12 entradas binrias Codificao binria = 4 entradas binrias

Topologia: Topologia Variar o nmero de processadores na camada escondida; Treinamento: Treinamento Variar o nmero de ciclos.
http//www.ica.ele.puchttp//www.ica.ele.puc-rio.br/birio.br/bi-master

Previso de Carga Mensal


-

n Valores Passados (janela de entrada)

Valor Previsto Da Carga Codificao Do Ms


i

http//www.ica.ele.puchttp//www.ica.ele.puc-rio.br/birio.br/bi-master

48

Previso de Carga Mensal


Arquivo ZIP: ZIP RN-Previso Carga Mensal Contm os seguintes arquivos:
verif.txt dados de vrias concessionrias cemig.txt dados mensais da CEMIG layout.doc informaes sobre o significado das colunas dos arquivos de dados trb2.m arquivo principal trb2_dados l o arquivo cemig.txt trb2_padroes gera os padres de treinamento e teste, de acordo com a janela e codificao do ms trb2_treinamento efetua o treinamento em si
http//www.ica.ele.puchttp//www.ica.ele.puc-rio.br/birio.br/bi-master

Previso de Srie Temporal Carga Mensal da CEMIG


Configurao 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 Janela 3 3 3 3 3 3 6 6 6 6 6 6 12 12 12 12 12 12 Codificao Real 12 bits 4 bits Real 12 bits 4 bits Real 12 bits 4 bits Real 12 bits 4 bits Real 12 bits 4 bits Real 12 bits 4 bits
Nmero de Neurnios 2 2 2 3 3 3 4 4 4 7 7 7 8 8 8 12 12 12

pocas 2500 2500 2500 2500 2500 2500 3500 3500 3500 3500 3500 3500 3500 3500 3500 3500 3500 3500

MAPE 3.6061 2.9252 3.6530 1.9480 4.2073 2.1502 2.4030 1.5994 2.6311 3.0201 3.2143 2.7644 2.6473 1.9062 3.4298 4.1001 3.3920 2.8125

RMSE 0.0411 0.0346 0.0416 0.0245 0.0505 0.0331 0.0284 0.0211 0.0312 0.0382 0.0383 0.0323 0.0309 0.0236 0.0403 0.0504 0.0367 0.0365

UTHEIL 1.5520 1.3152 1.5715 0.8989 1.8244 1.1775 1.0603 0.7559 1.1401 1.3665 1.3671 1.1981 1.1177 0.8633 1.5270 1.7920 1.3332 1.3141

http//www.ica.ele.puchttp//www.ica.ele.puc-rio.br/birio.br/bi-master

49

Previso de Srie Temporal Carga Mensal da CEMIG JANELA = 3


Configurao 1 2 3 Janela 3 3 3 Codificao Real 12 bits 4 bits Nmero de Neurnios 2 2 2 pocas 2500 2500 2500 MAPE 3.6061 2.9252 3.6530 RMSE 0.0411 0.0346 0.0416

http//www.ica.ele.puchttp//www.ica.ele.puc-rio.br/birio.br/bi-master

Previso de Srie Temporal Carga Mensal da CEMIG JANELA = 3


Configurao 4 5 6 Janela 3 3 3 Codificao Real 12 bits 4 bits Nmero de Neurnios 3 3 3 pocas 2500 2500 2500 MAPE 1.9480 4.2073 2.1502 RMSE 0.0245 0.0505 0.0331

http//www.ica.ele.puchttp//www.ica.ele.puc-rio.br/birio.br/bi-master

50

Previso de Srie Temporal Carga Mensal da CEMIG JANELA = 6


Configurao 7 8 9 Janela 6 6 6 Codificao Real 12 bits 4 bits Nmero de Neurnios 4 4 4 pocas 3500 3500 3500 MAPE 2.4030 1.5994 2.6311 RMSE 0.0284 0.0211 0.0312

http//www.ica.ele.puchttp//www.ica.ele.puc-rio.br/birio.br/bi-master

Previso de Srie Temporal Carga Mensal da CEMIG JANELA = 6


Configurao 10 11 12 Janela 6 6 6 Codificao Real 12 bits 4 bits Nmero de Neurnios 7 7 7 pocas 3500 3500 3500 MAPE 3.0201 3.2143 2.7644 RMSE 0.0382 0.0383 0.0323

http//www.ica.ele.puchttp//www.ica.ele.puc-rio.br/birio.br/bi-master

51

Previso de Srie Temporal Carga Mensal da CEMIG JANELA = 12


Configurao 13 14 15 Janela 12 12 12 Codificao Real 12 bits 4 bits Nmero de Neurnios 8 8 8 pocas 3500 3500 3500 MAPE 2.6473 1.9062 3.4298 RMSE 0.0309 0.0236 0.0403

http//www.ica.ele.puchttp//www.ica.ele.puc-rio.br/birio.br/bi-master

Previso de Srie Temporal Carga Mensal da CEMIG JANELA = 12


Configurao 16 17 18 Janela 12 12 12 Codificao Real 12 bits 4 bits Nmero de Neurnios 12 12 12 pocas 3500 3500 3500 MAPE 4.1001 3.3920 2.8125 RMSE 0.0504 0.0367 0.0365

http//www.ica.ele.puchttp//www.ica.ele.puc-rio.br/birio.br/bi-master

52

Previso de Srie Temporal Melhores Resultados


Configurao 4 8 14 Janela 3 6 12 Codificao Real 12 bits 12 bits Nmero de Neurnios 3 4 8 pocas 2500 3500 3500 MAPE 1.9480 1.5994 1.9062 RMSE 0.0245 0.0211 0.0236 UTHEIL 0.8989 0.7559 0.8633

http//www.ica.ele.puchttp//www.ica.ele.puc-rio.br/birio.br/bi-master

Previso de Srie Temporal Carga Mensal da CEMIG


Configurao 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 Janela 3 3 3 3 3 3 6 6 6 6 6 6 12 12 12 12 12 12 Codificao Real 12 bits 4 bits Real 12 bits 4 bits Real 12 bits 4 bits Real 12 bits 4 bits Real 12 bits 4 bits Real 12 bits 4 bits
Nmero de Neurnios 2 2 2 3 3 3 4 4 4 7 7 7 8 8 8 12 12 12

pocas 5000 5000 5000 5000 5000 5000 5000 5000 5000 5000 5000 5000 5000 5000 5000 5000 5000 5000

MAPE 3.5908 2.4527 3.6750 3.5011 2.1925 3.1511 1.9804 3.3649 2.3429 1.6406 3.2677 2.2666 2.4379 2.3132 2.1552 3.2193 3.3211 1.8085

RMSE 0.0396 0.0273 0.0420 0.0395 0.0251 0.0369 0.0283 0.0369 0.0303 0.0203 0.0352 0.0301 0.0278 0.0312 0.0273 0.0368 0.0403 0.0193

UTHEIL 1.4926 0.9795 1.5858 1.4909 0.9482 1.3993 1.0128 1.3888 1.0795 0.7451 1.3260 1.0708 1.0149 1.1450 0.9985 1.3318 1.4598 0.7119

http//www.ica.ele.puchttp//www.ica.ele.puc-rio.br/birio.br/bi-master

53

Toolbox de Redes Neurais no MATLAB

Introduo ao Matlab

Linha de comando NNTool

Estudo de Casos
Previso

de carga mensal

Anlise de Crdito Bancrio


http//www.ica.ele.puchttp//www.ica.ele.puc-rio.br/birio.br/bi-master

Anlise de Crdito Bancrio


Base de Dados: Dados contm informaes sobre 1500 clientes:
715 pagadores; 785 no pagadores.

Atributos da Base de Dados:


ESTC Estado civil NDEP Nmero de dependentes RENDA Renda familiar TIPOR Tipo de Residncia (0=alugada,1=prpria,2=parentes) VBEM O valor do bem a ser adquirido NPARC O nmero de parcelas a serem pagas VPARC O valor de cada parcelas TEL Possui telefone (0=no e 1=sim) IDADE Quantos anos a pessoa tem RESMS Tempo de moradia (em ms) ENTRADA o valor da parcela paga no dia do emprstimo

Sada: Sada:
CLASSE_1 O cliente no pagou o emprstimo http//www.ica.ele.puc-rio.br/birio.br/bi-master CLASSE_2 O cliente pagou o emprstimo http//www.ica.ele.puc-

54

Anlise de Crdito Bancrio


Amostra da Base de Dados:
ESTC NDEP RENDA TIPOR VBEM NPARC VPARC TEL IDADE RESMS ENTRADA CLASSE_1 CLASSE_2

0 0 0 0 1 0 0 0 0 0 0 1 0 0 0 1 0 0 0

0 2 1 0 0 0 2 0 0 0 0 0 2 0 0 0 0 2 0

350 580 500 2000 411 500 500 800 300 554 332 342 632 600 800 480 1300 868 300

1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1

468 349 828 309 390 614 347 359 309 429 593 453 365 587 495 460 349 567 399

10 10 18 6 12 10 4 6 6 10 4 10 6 10 15 3 10 10 10

65 51 89 66 55 81 101 76 66 60 100 59 78 89 59 135 51 78 55

0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0

33 30 29 29 40 59 44 51 30 46 44 52 49 44 50 59 45 39 29

6 6 6 6 0 6 6 6 6 6 215 6 6 60 6 6 6 6 6

0 0 0 0 0 0 0 0 0 0 198 0 0 0 0 100 0 0 0

0 1 0 1 1 1 1 1 0 1 1 1 1 1 0 1 1 1 1

1 0 1 0 0 0 0 0 1 0 0 0 0 0 1 0 0 0 0

http//www.ica.ele.puchttp//www.ica.ele.puc-rio.br/birio.br/bi-master

Anlise de Crdito Bancrio


Estado Civil Nmero de Dependentes Renda Familiar Tipo de Residncia Valor do Emprstimo Nmero de Parcelas Valor da Parcela Possui Telefone Idade Tempo de Moradia Valor da Entrada
http//www.ica.ele.puchttp//www.ica.ele.puc-rio.br/birio.br/bi-master

Cliente Pagador

Cliente No-Pagador

55

Anlise de Crdito Bancrio

http//www.ica.ele.puchttp//www.ica.ele.puc-rio.br/birio.br/bi-master

Anlise de Crdito Bancrio

http//www.ica.ele.puchttp//www.ica.ele.puc-rio.br/birio.br/bi-master

56