An´ alise da performance preditiva da rede

Foram analisadas as performances da rede Feedforward-backpropagation de predi¸c˜ao de perdas de frango de corte em condi¸c˜oes de espera pr´e-abate para as 4 esta¸c˜oes do ano. Se- guindo o padr˜ao de treinamento e teste da rede e utilizando o erro quadrado m´edio (Mean Square Error - MSE), para a situa¸c˜ao de ver˜ao foi obtido a figura abaixo (Figura 37). A performance da rede foi de 0,0127449, e foram necess´arias 13 ´epocas (itera¸c˜oes) para que o conjunto de valida¸c˜ao permitisse a “parada”, quando a rede cessa o processo de retropro- paga¸c˜ao de erro. Trata-se de resultado satisfat´orio, uma vez que tal procedimento permite o treinamento de um sistema que apresentou elevado poder de generaliza¸c˜ao. Os perfis de com- portamento dos valores de mortalidade s˜ao condizentes, confirmando que houve generaliza¸c˜ao e aprendizado pelo sistema. Os dados de treinamento foram utilizados para a verifica¸c˜ao da eficiˆencia da rede. Foram 500 vetores de informa¸c˜ao distribu´ıdos aleatoriamente, os quais apresentaram respostas em taxa de mortalidade normalizada dentro do intervalo entre 0 e 1.

Figura 37 - Desempenho da rede Feedforward-backpropagation para predi¸c˜ao de perdas de frangos de corte em condi¸c˜oes de ver˜ao, onde MSE: erro quadrado m´edio e ´Epocas: itera¸c˜oes

Para a condi¸c˜ao de outono, o desempenho da rede foi inferior `a condi¸c˜ao de ver˜ao (Fi- gura 38). Os dados n˜ao atingiram o poder de generaliza¸c˜ao, com a mesma acur´acia vista anteriormente. Foram necess´arias 16 ´epocas para a rede estabilizar seu processo de apren- dizagem em performance de 0,0298215. Isto ´e uma evidˆencia de que o conjunto de dados ´e respons´avel pelo reconhecimento dos padr˜oes a serem apresentados durante um per´ıodo como o outono, considerado meia-esta¸c˜ao, em termos de efeitos t´ermicos.

Figura 38 - Desempenho da rede Feedforward-backpropagation para predi¸c˜ao de perdas de frangos de corte em condi¸c˜oes de outono, onde MSE: erro quadrado m´edio e

´

Epocas: itera¸c˜oes

Em condi¸c˜oes de inverno, a rede mostrou-se ainda mais eficiente quanto ao seu desempe- nho (MSE) se comparada com as duas an´alises anteriores. O valor de MSE foi de 0,00136225, menor ainda que o erro encontrado pela rede, quando treinada com conjunto de dados referen- tes ao ver˜ao. Em posse destes dados, pode-se confirmar que os dados de inverno apresentaram padr˜oes que melhor contribu´ıram para o aprendizado do sistema (Figura 39).

Figura 39 - Desempenho da rede feedforward-backpropagation para predi¸c˜ao de perdas de frangos de corte em condi¸c˜oes de inverno, onde MSE: erro quadrado m´edio e

´

Epocas: itera¸c˜oes

Por´em, foram necess´arias 82 ´epocas, o que pode ser compreens´ıvel, devido `a grande variabilidade entre os conjuntos de dados nesta esta¸c˜ao, fato este que tornou a valida¸c˜ao da rede mais tardia quando comparada aos demais conjuntos de dados.

Quanto aos dados de primavera, foram necess´arias 37 ´epocas para atingir o desempenho de 0,0141083, ou seja, com um poder de generaliza¸c˜ao melhor que o outono, por´em ligei- ramente pior do que o ver˜ao (Figura 40). Desta forma, pode-se considerar que tal ajuste foi intermedi´ario entre as esta¸c˜oes, confirmando o perfil de meia-esta¸c˜ao da primavera e do outono, o que justifica a varia¸c˜ao nos dados e, conseq¨uentemente, a dificuldade da rede em reconhecer os padr˜oes dos fatores.

Figura 40 - Desempenho da rede Feedforward-backpropagation para predi¸c˜ao de perdas de frangos de corte em condi¸c˜oes de primavera, onde MSE: erro quadrado m´edio e

´

Epocas: itera¸c˜oes

Em rela¸c˜ao `a diferen¸ca entre os valores preditos e valores reais, a Figura 41 mostra o perfil de cada esta¸c˜ao quanto `a predi¸c˜ao dos dados deste estudo. No ver˜ao, os dados apresentaram ru´ıdos elevados, devido `a grande varia¸c˜ao dos dados neste per´ıodo do ano. Observa-se, no entanto, que os ru´ıdos se encontram numa faixa aceit´avel, devido ao erro encontrado na fase de treinamento e, com isto, a predi¸c˜ao n˜ao ´e comprometida nesta situa¸c˜ao. No outono, observam-se maiores diferen¸cas entre valores estimados pela rede e valores reais, quando comparado com o processo de aprendizado da condi¸c˜ao de ver˜ao. Para o inverno, os dados comparativos mostram perfis compat´ıveis quanto aos dados reais e estimados e ainda ilustram a baixa presen¸ca de ru´ıdos, confirmando o elevado poder de predi¸c˜ao da rede, em face aos padr˜oes identificados neste conjunto de dados. J´a na primavera, os perfis apresentaram ru´ıdos, por´em, os dados foram razoavelmente condizentes entre valores estimados e reais.

(a) (b)

(c) (d)

Figura 41 - Comparativo entre os valores estimados pela rede e e os valores reais, na fase de treinamento, onde : ver˜ao (a), outono (b), inverno (c), e primavera (d)

Conclui-se a partir das respostas acima, que os dados de outono foram respons´aveis pela pior performance da rede. O conjunto de dados ´e o respons´avel pela aprendizagem do sistema. Um banco de informa¸c˜oes deve conter detalhes que possam retratar situa¸c˜oes gerais a que se pretende modelar. Devido a isto, os dados tamb´em passam pelo processo de aleatoriza¸c˜ao, quando submetidos a um sistema conexionista como as redes neurais desta categoria utilizada no presente trabalho.

A performance da rede, medida nesta fase foi uma boa indica¸c˜ao de sua performance real. Os valores obtidos para o MSE foram condizentes com resultados encontrados por Jaiswal et al. (2005), quando utilizaram metodologia semelhante para a avalia¸c˜ao da pega mecˆanica pr´e- abate. Todavia, os mesmos autores encontraram performance melhorada utilizando o mesmo

m´etodo de treino (0,00264), quando empregadas apenas vari´aveis envolvidas na opera¸c˜ao de pega. Nesta pesquisa, foram utilizadas, al´em da pega, outras vari´aveis que envolvem as etapas de carregamento, transporte e espera, indicando grandezas diferentes quanto `a resposta de mortalidade.

Tais resultados tamb´em mostram que os modelos de RNA´s reconheceram com bastante acur´acia os padr˜oes referentes `as opera¸c˜oes pr´e-abate e seus fatores, o que facilita o avan¸co nos estudos de predi¸c˜ao da mortalidade antes do abate. Ainda evidenciam a importˆancia dos fatores clim´aticos nos efeitos conjugados com outras vari´aveis pr´e-abate, tais como densidade de aves por caixa e tempo de espera, fatores estudados e considerados essenciais em pesquisas pr´e-abate (SILVA et al., 1997; MITCHELL; KETTLEWELL, 1998; N ¨A ¨AS et al., 1998; SILVA et al., 1998; KETTLEWELL et al., 2000; ABEYESINGHE et al, 2001; BRESSAN; BERA- QUET, 2002; WARRISS, 2004; WARRISS et al., 2005; VIEIRA et al., 2007; BARBOSA FILHO, 2008). Estes sistemas especialistas devem ser periodicamente monitorados quanto a suas performances para manuten¸c˜ao da rede, quando necess´ario, ou indicar aos usu´arios a necessidade de um novo treinamento. Conforme o conjunto de dados e a natureza das informa¸c˜oes a serem inseridas no modelo matem´atico, os m´etodos de treino devem tamb´em ser considerados em um estudo comparativo, tal como realizado por Jaiswal et al. (2005).