Comparação entre as abordagens

Nas seções anteriores vimos a comparação entre as RNs de mesmo tipo. O objeti- vo nesta seção é comparar o desempenho dos melhores classificadores ut ilizados, ou seja, os casos escolhidos. Vale ressaltar que, para uma comparação idônea entre os classificadores, os experimentos foram realizados com a mesma base de dados e a mesma divisão dos conjuntos de treinamento e teste. O parâmetro de comparação é o erro de classificação antes da função arredondamento (MEQMs). Na Tabela 6.31 é apresentada uma comparação estatística, basea- da no teste de hipóteses de Wilcoxon, entre os classificadores utilizados, onde µ1 e µ2 são as

médias dos erros de classificação antes da função arredondamento para os classificadores da análise dos casos escolhidos.

Tabela 6.31 – Estatística do teste de Wilcoxon para o desempenho das RNs simuladas com PCA como extração de características.

H0: µ1 = µ2

H1: µ1 > µ2

Modelo (µ1) Modelo (µ2) p-valor z-valor Decisão

MLP – LOG – PCA MLP – TANHIP – PCA 5,86 . 10-5 5,8206 Rejeita H0 RBF (α = 0,05) – PCA 0,3946 -0,8512 Não Rejeita H0 RBF (α = 0,10) – PCA 0,8909 0,1371 Não Rejeita H0 RBF (α = 0,20) – PCA 0,4991 -0,6759 Não Rejeita H0 MLP – TANHIP – PCA RBF (α = 0,05) – PCA 0,5004 -0,6738 Não Rejeita H0 RBF (α = 0,10) – PCA 0,8699 0,1638 Não Rejeita H0 RBF (α = 0,20) – PCA 0,0548 -1,9203 Não Rejeita H0 RBF (α = 0,05) – PCA RBF (α = 0,10) – PCA 0,9438 0,0705 Não Rejeita H0 RBF (α = 0,20) – PCA 0,8589 0,1778 Não Rejeita H0 RBF (α = 0,10) – PCA RBF (α = 0,20) – PCA 0,9310 0,0866 Não Rejeita H0

6.5 Resumo do capítulo

Neste capítulo foram apresentados os resultados dos experimentos realizados com as técnicas de abordagem estatística e neural investigadas nesta dissertação. O objetivo de tais experimentos foi verificar qual das abordagens melhor obtém melhor desempenho na classifi- cação no prognóstico da doença Diabetes através dos sinais dos sensores de aroma expostos a urina dos pacientes estudados.

Foi apresentada uma análise dos padrões de odores a partir da técnica PCA. O in- teresse de sua utilização reside no fato desta técnica permitir visualizar as semelhanças entre os sensores utilizados e estabelecer associações entre os odores e os sensores de acordo com suas propriedades de distribuição estatística, evidenciadas por este método de manipulação estatística. PCA também é importante por ser um método que proporciona a visualização da distribuição espacial dos dados, mesmo que de forma simplificada. Isto porque os compone n- tes principais são aproximações com menores dimensões, das variáveis originais.

A partir dos resultados e da distribuição dos padrões nas três componentes princi- pais, onde sua escolha está relacionada à capacidade de representação da variação total de 92,62% dos dados via matriz de covariâncias, pode-se verificar que os dois tipos de odores apresentados possuem uma separabilidade espacial. Vale ressaltar que na transposição dos dados para o plano das componentes principais houve uma simplificação da distribuição dos mesmos, fato pelo qual aparecem tão espacialmente disjuntos.

Além da análise por PCA foi testado o classificador KNN que aumentou a classi- ficação significativamente entre os dois conjuntos de teste, sendo de 40% (apenas utilizando a Normalização como pré-processamento) para 100% com K=1 e de 35,56% para 100% com K=3 na divisão 50% da base para treino e 50% para teste. Já na divisão 70% para treino e 30% para teste o classificador após PCA aumentou de 40% (dados normalizados) para 100% com K=1 e de 50% para 100% com K=3.

Também se apresentou como um eficiente extrator de característica melhorando nos desempenhos de classificação das RNs simuladas. Foram simuladas diversas arquiteturas para as RNs variando o número de interações e a taxa de aprendizado, para as MLP foram utilizadas dois tipos de função de ativação: a logística e a tangente hiperbólica, já para as RBF utilizou-se a gaussiana variando o nível de significância entre 5%, 10% e 20%.

Verificou-se que nas RNs MLP usando a função de ativação tangente hiperbólica possui o maior poder de generalização em relação as que usam a função de ativação logística antes e após PCA. Na análise de melhor caso para os dados normalizados obteve um erro mé- dio de classificação de 32,60% coma função de ativação logística e de 33,91% com a tangente hiperbólica, um erro relativamente alto se relacionada com a mesma análise fazendo uso da extração de característica por PCA onde conseguiu classificar todo o conjunto de teste apre- sentado fazendo uso das duas funções de ativação.

As RNs RBF também apresentaram altos erros de classificação quando utilizada a Normalização como pré-processamento, na análise de melhor caso obteve um erro médio de classificação de 34,78% para a função de ativação gaussiana com os níveis de significância de 5%, 10% e 20%. Assim como as RNs MLP também melhoraram significativamente a taxa de classificação após PCA, classificando todo o conjunto de teste na mesma análise de caso.

Nas RNs RBF se observou, particularmente, que existe um conjunto de arquitetu- ras ótimas quando relacionadas ao número de interações, e com o aumento significativo deste número a rede perde o poder de generalização.

Observou-se também que nos melhores casos as RNs possuíam um alto custo computacional em virtude do número de interações, sendo assim foram apresentadas outras redes de menor custo com excelentes taxas de classificação. Na comparação entre as RNs verificou-se que as redes MLP e RBF possuem erros médios de classificação estatisticamente iguais.

Portanto, PCA mostrou-se uma importante técnica no que diz respeito a sistemas de reconhecimento de padrões, já a Normalização como pré-processamento neste conjunto de dados de odor específico não obteve bons resultados.

Capítulo 7

7 Conclusão

Neste capítulo apresentam-se as considerações finais sobre o trabalho desenvol- vido nesta dissertação. Na seção 7.1 são apresentas algumas considerações sobre os resultados obtidos nos experimentos. Na seção 7.2 são descritas as contribui- ções desta dissertação e na seção 7.3 algumas propostas para trabalhos futuros.