Buscar

 

RI UFLA (Universidade Federal de Lavras) >
DCC - Departamento de Ciência da Computação >
DCC - Graduação >
DCC - Bacharelado em Sistemas de Informação (Monografias) >

Please use this identifier to cite or link to this item: http://repositorio.ufla.br/jspui/handle/1/5415

Title: Seleção de características de dados utilizando redes neurais artificiais
???metadata.dc.creator???: Lima, Álvaro Henrique Nogueira de
???metadata.dc.contributor.advisor1???: Lacerda, Wilian Soares
???metadata.dc.contributor.referee1???: Grützmann, André
Ferreira, Danton Diego
Keywords: Redes neurais artificiais
Treinamento
Backproagation
Seleção de características
Importância
Variáveis
???metadata.dc.date.submitted???: 10-Oct-2012
Issue Date: 23-Apr-2015
Citation: LIMA, A. H. N. Seleção de características de dados utilizando redes neurais artificiais. 2012. 69 p. Monografia (Graduação em Sistemas de Informação) - Universidade Federal de Lavras, Lavras, 2012.
???metadata.dc.description.resumo???: As Redes Neurais Artificiais tem se difundido ao longo dos anos e sua utilização vem crescendo devido aos bons resultados encontrados na solução de diversos problemas do mundo real. Porém o elevado grau de complexidade presente nas Redes Neurais Artificiais torna sua computação difícil, um dos fatores que prejudicam o desempenho da rede neural é a presença de variáveis de entrada redundantes que nada acrescentam ao seu processo de aprendizagem tornando assim o treinamento mais difícil e demorado. Os métodos de seleção de características têm por objetivo determinar quais variáveis (características) da entrada são mais relevantes para a determinação da saída ou resposta da rede, isto possibilita a redução do número de entradas da rede. Neste trabalho foram implementados cinco métodos de seleção de características, o método de Garson, Perturb, PaD, Análise de Sensibilidade e Correlação. Foram escolhidos três problemas (Iris, CPU Performance, Resistência do concreto) para o treinamento das redes neurais, após treinadas com o algoritmo backpropagation os métodos foram executados obtendo-se a importância de cada entrada, as entradas menos importantes foram excluídas e as redes retreinadas obtendo-se um novo erro médio quadrático que foi comparado ao original de forma a avaliar o desempenho do método. Para o problema da Iris considerado mais simples todos os métodos obtiveram resultados semelhantes. Já para os problemas mais complexos com a presença de mais variáveis como o da CPU Performance e Resistência do Concreto os métodos Perturb e Correlação apresentaram os piores resultados, o método de Garson obteve um resultado satisfatório e o Pad e Análise de Sensibilidade apresentaram melhores resultados e se destacaram em relação aos demais.
Abstract: Artificial Neural Networks have been disseminated over the years and its use has grown because of the good results in solving many real world problems. But the high degree of complexity present in Artificial Neural Networks makes its computation difficult, one of the factors that affect the performance of the neural network is the presence of redundant input variables that add nothing to their learning process thus making training more difficult and time consuming. The feature selection methods aim to determine which variables (characteristics) of the input that are most relevant or most contribute to the determination of output or response of the network, this enables the reduction of the number of entries to be excluded from the network variables less significant. In this work we implemented five methods of feature selection, the method of Garson, perturb, DBP, Sensitivity Analysis and Correlation. They chose three problems (Iris, CPU Performance, Strength of Concrete) for training the networks trained with the backpropagation algorithm following methods were performed yielding the importance of each entry, the entries were excluded and less important networks retrained obtaining A new mean square error which was compared to the original in order to evaluate the performance of the method. For the problem considered simpler Iris all methods yielded similar results. But for the most complex problems with the presence of more variables such as CPU Performance and Strength of Concrete methods perturb and Correlation showed the worst results, the method of Garson obtained a satisfactory result and Pad and Sensitivity Analysis showed better results and highlighted in relation to others.
URI: http://repositorio.ufla.br/jspui/handle/1/5415
???metadata.dc.language???: pt_BR
Appears in Collections:DCC - Bacharelado em Sistemas de Informação (Monografias)

Files in This Item:

File Description SizeFormat
MONOGRAFIA_Selecao_de_caracteristicas_de_dados_utilizando_redes_neurais_artificiais.pdf1.51 MBAdobe PDFView/Open

Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.


View Statistics

 


DSpace Software Copyright © 2002-2010  Duraspace - Feedback