Escolar Documentos
Profissional Documentos
Cultura Documentos
Aula-Pratica-Tecnicas-de-Inteligencia-Artificial-unopar-nak4n
h
Sistemas de Computação e Informação (Universidade Norte do Paraná)
NOME
ATIVIDADE PRÁTICA
TÉCNICAS DE INTELIGÊNCIA ARTIFICIAL
CIDADE
2023
NOME
ATIVIDADE PRÁTICA
TÉCNICAS DE INTELIGÊNCIA ARTIFICIAL
CIDADE
2023
1
SUMÁRIO
1 INTRODUÇÃO...........................................................................................................3
2 DESENVOLVIMENTO................................................................................................4
2.1 ATIVIDADE PROPOSTA......................................................................................4
2.1.1 RESULTADOS..................................................................................................8
3 CONCLUSÃO..........................................................................................................10
REFERÊNCIAS BIBLIOGRÁFICAS...........................................................................11
1 INTRODUÇÃO
2 DESENVOLVIMENTO
Esta janela contém algumas configurações que podem ser editadas acerca do
modelo de Rede Neural. Foi clicado na caixa de seleção “GUI” e a opção “True” foi
selecionada. Depois foi clicado em “Ok”. O modelo foi novamente rodado, clicando-
se no botão “Start” e uma janela nova com a seguinte imagem apareceu:
Nesta nova janela chamada “Neural Network”, foi clicado em “Start” e depois
no botão “Accept”. No “Classifer output”, na imagem a seguir, é analisado os
resultados da tela “Classifier output” principalmente os valores de “Root mean
squared error” e da “Confusion Matrix”.
401 99 | a = tested_negative
50 218 | b = tested_positive
Em sequência, os dados foram divididos de tal forma que 75% fossem dados
para teste e o resto fosse dados para treino do modelo. Em “Test options” foi clicado
na opção “Percentage split” e digitado 75 no campo ao lado do símbolo de ‘%’.
Depois foi clicado em “Start”. A janela “Neural Network” se abriu novamente e foi
clicado em “Start” e depois “Accept” nesta janela duas vezes. A imagem a seguir
apresenta o resultado disso, e comparem-se os valores da “Root mean squared
error” e “Confusion Matrix” com o do modelo anterior.
Como se pode ver, os seguintes dados de “Root mean squared error” estão
disponíveis: 0.4146.
114 16 | a = tested_negative
28 34 | b = tested_positive
2.1.1 RESULTADOS
3 CONCLUSÃO
10
REFERÊNCIAS BIBLIOGRÁFICAS
11