Uma comparação entre a implementação de uma Rede Neural ...

4 Uma comparação entre a implementação de uma Rede Neural Perceptron e de umaInduction Decision Tree (ID3) na classificação de um conjunto de dados bináriosO GlobalError equivale ao erro calculado para uma Época, ou seja, cada conjunto de 14micro-iterações na qual os 14 exemplos são utilizados para a calibração dos pesos.O LocalError é calculado como a diferença entre a some ponderada das entradas e asaída fornecida no enunciado para aquele exemplo.A função g é a função threshold. Ela é calculada junto com as ponderações, da seguinteforma:private static int Output(double[] weights, int x1, int x2,int x3, int x4, int x5, int x6){double sum = x1 * weights[0] + x2 * weights[1] +x3 * weights[2] + x4 * weights[3] + x5 * weights[4] + x6 *weights[5];}return (sum >= 0) ? 1 : 0;3.3 ResultadosPrimeiramente, os pesos finais obtidos com uma taxa de aprendizado igual a 1,0 éexibida na tabela abaixo:w1 3,04248806w2 -0,994107114w3 2,187279098w4 -2,965049837w5 -4,086652491w6 2,203299659Tab. 1. Pesos obtidos com uma taxa de aprendizado de 1,0.Cada macro-iteração, com 14 exemplos computados, é chamada de Época. Para 10000vezes que o algoritmo foi executado, foi obtida a convergência dos pesos de forma queGlobalError fosse zero nos seguintes número de Épocas:1500Quantidade de Épocas100050007 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25Fig. 7. Em 10000 vezes que o algoritmo foi executado, o número de vezes em que eleconvergiu por número de Épocas. Por exemplo, o algoritmo convergiu 1260 vezes em 17Épocas. A taxa de aprendizado utilizada foi de 1.