UNIVERSIDADE UNOPAR

ENGENHARIA DE SOFTWARE

TÉCNICAS DE INTELIGÊNCIA ARTIFICIAL.

Sandrine Nascimento Vitorino

2023
 Sandrine Nascimento Vitorino

TÉCNICAS DE INTELIGÊNCIA ARTIFICIAL

Trabalho de Engenharia de Software apresentado à

Universidade Unopar, como requisito parcial para a
obtenção de média na disciplina de Técnicas de
inteligência artificial

Orientador: Tutora Jessica Fernandes Lopes

2023
ATIVIDADE PROPOSTA

Implementar uma Rede Neural Perceptron de multicamadas em uma

base de dados no Weka afim de prever via Classificação os outputs e
comparar os resultados do modelo de acordo com a variação no
tamanho dos dados de teste e treino.
 3

INTRODUÇÃO

A implementação de técnicas de aprendizado de máquina tornou-se

essencial em diversas áreas. Nesse contexto, a atividade prática usando
o software Weka oferece aos participantes uma introdução à construção
e avaliação de uma Rede Neural Perceptron de multicamadas para
classificação.
 4

MÉTODOS:

COM O WEKA INSTALADO, EXECUTEI OS COMANDOS

Segue abaixo as imagens

 5

Primeiro Conjunto de Dados:

O classificador foi avaliado no próprio conjunto de treinamento.

Precisão global: 80.599%
Erro relativo absoluto: 62.75%
Raiz do erro relativo quadrático: 80.0495%
Total de Instâncias: 768
O modelo foi construído em aproximadamente 1.84 segundos.
 6

Segundo Conjunto de Dados:

O conjunto de dados foi dividido em 75% para treinamento e 25% para

teste.
Precisão global: 67.7083%
Erro relativo absoluto: 111.0029%
Raiz do erro relativo quadrático: 106.468%
Total de Instâncias: 192
O modelo foi construído em aproximadamente 20.97 segundos.

Comparação:

Avaliação:
O primeiro conjunto avaliou o modelo no conjunto de treinamento,
enquanto o segundo conjunto usou um conjunto de teste separado.
A precisão do primeiro conjunto é consideravelmente melhor (80.599%)
em comparação com a do segundo conjunto (67.7083%).

Erro Relativo:
O primeiro conjunto possui um erro relativo absoluto de 62.75%, o que é
menor do que o segundo conjunto (111.0029%).
A raiz do erro relativo quadrático também é menor no primeiro conjunto
(80.0495%) em comparação com o segundo conjunto (106.468%).
Tempo de Construção do Modelo:
O primeiro conjunto construiu o modelo em 1.84 segundos, enquanto o
segundo conjunto levou mais tempo, cerca de 20.97 segundos.
 7

Divisão de Teste:

O segundo conjunto usou uma divisão de 75% para treinamento e 25%

para teste, indicando uma abordagem de validação mais apropriada em
comparação com a avaliação no conjunto de treinamento do primeiro
conjunto.
 8

OBSERVAÇÕES:

O primeiro conjunto parece ter um desempenho melhor e mais eficiente

do que o segundo conjunto, tanto em termos de métricas de avaliação
quanto na abordagem de divisão de treinamento/teste.
No entanto, é importante notar que os resultados do segundo conjunto
indicam problemas sérios, como taxas de erro extremamente altas e a
incapacidade de classificar corretamente a classe "tested_positive". Isso
pode sugerir que o modelo não é adequado para esse conjunto de
dados ou que algo pode estar errado com o processo de avaliação.

Em resumo, o primeiro conjunto parece apresentar um modelo de

classificação mais promissor e eficiente, enquanto o segundo conjunto
parece ter problemas significativos em termos de resultados de
avaliação e desempenho do modelo.