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

Uma comparação entre a implementação de uma Rede Neural Perceptron e de uma InductionDecision Tree (ID3) na classificação de um conjunto de dados binários 9Com relação a tempo de execução pode-se dizer que o Perceptron apresenta, para umataxa de aprendizado igual a 1,0 e demais propriedades aplicadas de forma padrão, umdesempenho mais favorável que o ID3. Mas é possível afirmar que a calibração destesparâmetros é essencial para ter uma resposta de convergência em tempo satisfatório. Já oID3 não apresenta parâmetros de refinamento, o que o torna um algoritmo decomportamento mais determinístico que o Perceptron.Ambos os métodos, como já explicitado, são de aprendizado supervisionado, ou seja, énecessário apresentar um conjunto de informações para seu treinamento, e após esta etapao algoritmo terá moldado seu modelo para ser aplicado em demais conjuntos de dados.Métodos deste tipo são interessantes por serem capazes de, após treinados, tomaremdecisões de forma simples. Além disso eles têm capacidade de adequar-se ao contexto emque são aplicados. Como um ponto a se observar com cautela nesta última vantagem podeseapontar o risco de overfit, fenômeno no qual o modelo apresenta resultadosextremamente satisfatórios para seu conjunto de dados de treinamento e resultadosindesejados nos demais conjuntos de dados analisados através dele.6 Referências1. Russell, S.; Norvig, P..: Artificial Intelligence - A Modern Approach 2ed. Prentice Hall (2003)2. Costa, A. H. R.: Notas de Aula de PCS 2059 – Inteligência Artificial (2010)3. Quinlan, J. R.: Induction of Decision Trees. Centre for Advanced Computing Sciences, NewSouth Wales Institute of Technology, Sydney 2007, Australia4. Ruiz, R. S. R.; Velho, H. F. C.; Santos, R. D. C.; Trevisan, M.: Árvores de Decisão emclassificação de dados Astronômicos. Departamento de Astronomia, IAG – USP / Laboratório deComputação e Matemática Aplicada, LAC, INPE.