Escolar Documentos
Profissional Documentos
Cultura Documentos
– normalização de vetores
xi − mín
• divide pela faixa máxima de valores x =
n
Máx − mín
i
– menos processamento
• subtrai do valor médio e divide pelo desvio padrão
– (sinal com média zero e variância unitária)
xi − x
x =
n
σ
i
Representação - Contínuos
• Escalonamento linear, se os valores estão
uniformemente distribuídos na faixa de dados
Exemplo de 4 classes:
casado ⇒ 1000
solteiro ⇒ 0100
divorciado ⇒ 0010
viúvo ⇒ 0001
Representação - Categóricos
• código binário
– N categorias representado por n bits (N=2n)
– valores próximos podem ter distância de
hamming grande na representação
Exemplos:
MLP para modelar a função SENO: MLP para modelar a função SENO:
Super treinada – aprende a modelar o sem super treinamento
ruído existente nos dados
Precisão de
generalização
Número ideal de
ciclos de treinamento
9900 ciclos
GENERALIZAÇÃO
Precisão de
generalização
GENERALIZAÇÃO
• Early Stopping:
• Conclusão
– O treinamento só deve ser interrompido
quando o erro dos padrões do conjunto
de validação começar a subir de forma
consistente.
Modelagem da Rede Neural
Validação Cruzada
GENERALIZAÇÃO
• Validação Cruzada:
• k configurações diferentes de treinamento e
validação devem ser geradas (aleatoriamente),
ficando fixo, geralmente, apenas o conjunto de
teste.
• Escolhe-se a rede treinada com o conjunto de
treinamento que forneceu o melhor desempenho
no conjunto de validação.
• A variância no desempenho fornece informação
sobre a sensibilidade da rede ao conjunto de
treinamento apresentado.
• Conjunto de teste também é denominado holdout
GENERALIZAÇÃO
• Dois tipos de Validação Cruzada:
– Random Subsampling Cross-validation