FACULDADE ANHANGUERA - POLO TAQUARAL

ENGENHARIA DE SOFTWARE

LEONARDO TISHIRO NAKAMURA DA SILVA -

RA 3221390402

PORTFÓLIO - RELATÓRIO DE AULA PRÁTICA:

INTELIGÊNCIA ARTIFICIAL

Campinas/SP

2023
LEONARDO TISHIRO NAKAMURA DA SILVA -

RA 3221390402

PORTFÓLIO - RELATÓRIO DE AULA PRÁTICA

INTELIGÊNCIA ARTIFICIAL

Trabalho de portfólio apresentado como

requisito parcial para a obtenção de pontos
para a média semestral.

Orientadora: Tutora Jessica Fernandes

Lopes

Campinas/SP

2023
 SUMÁRIO

1. INTRODUÇÃO……………………………………………………………………….3
2. OBJETIVO……………………………………………………………………………..
3. MÉTODOS……………………………………………………………………………..
4. RESULTADOS E CONCLUSÃO………………………………………………..…6
 3

1.INTRODUÇÃO
A proposta da atividade foi explorar o software Weka para criar uma Rede
Neural Perceptron de multicamadas de modo que ela preveja diferentes tipos de
outputs e interprete corretamente os resultados do modelo

2. OBJETIVO

Criar uma Rede Neural Perceptron de multicamadas utilizando o software

Weka, explorando suas ferramentas para preparação de dados, classificação,
regressão, agrupamento, mineração de regras de associação e visualização.

3. MÉTODOS

De início o ambiente foi configurado instalando o software Weka e

localizamos o arquivo “diabetes.arff” que é disponibilizado gratuitamente para o uso
direto no software.
Após iniciar os testes foi possível observar o gráfico inicial, onde foi
identificada a base de dados que conforme informado no documento possui 9
atributos e 768 instâncias.
 4

A partir desses dados começamos a análise, que foi feita em duas etapas, a
primeira etapa utilizando a opção “Use training set” para os primeiros dados da
análise.

Dentro da tela Classifier Output foi possivel observar os dados que vamos
comparar, “Root mean squared error” e “Confusion Matrix”.
 5

Para a segunda etapa aplicamos a divisão percentual de 75% para treinamento e o

restante do teste.
 6

Como consequência recebemos outros dados na tela de classifier output.

4. RESULTADOS E CONCLUSÃO

Durante a comparação dos dados mostrados acima na primeira etapa,

visualizamos que foi utilizado apenas o “Use training set”, o Root Mean sqared error
(RMSE) veio abaixo. Portanto, pode-se dizer que ele se deu bem nos dados do
treinamento. Com a análise da Confusion Matrix pode-se dizer que obtivemos um
número significativo de classificação errônea, em especial para a classe de testes
positivos.

Já na segunda etapa, ao mudarmos o Percentage Split para 75% dos dados,

foi observado que ele teve um desempenho menor, por conta da divisão dos dados,
afetando assim sua capacidade de generalização.

Dessa forma, concluímos que é possível utilizar o Software Weka para

implementação da rede neural perceptron de multicamadas, prever e comparar os
resultados do modelo de acordo com a variação no tamanho dos dados de teste e
treino. Foi possível enxergar que seus deveres e funções são muito importantes em
 7

todas as etapas e também podemos perceber e obter a noção de como algumas

ferramentas e processos de um projeto devem funcionar para se obter o resultado
esperado.