Nesta seção descreve-se os modelos desenvolvidos para o DEC e para o FEC utilizando os dados coletados do conjunto de consumidores ALFA.
5.4.1 Modelos baseados em RLM
a) DEC
Foi desenvolvido o modelo DEC de acordo com a subseção 5.3.1. Porém, o modelo não atende ao propósito de predição para o DEC, pois a saída predita pelo modelo, tanto para o conjunto de treinamento como para o conjunto de testes, resultaram em algumas saídas negativas, como pode ser constatado na Figura 26, e para maior esclarecimento, está presente na Tabela D.1 (Apêndice D) quais são essas saídas negativas. Uma saída negativa é inadmissível, uma vez que os indicadores de continuidade são índices positivos3.
Figura 26 – Resultado do modelo DEC baseado em RLM com entradas coletadas
Fonte: Autor.
b) FEC
Foi desenvolvido o modelo FEC de acordo com a subseção 5.3.1. Porém, assim como no modelo DEC, o modelo FEC também não atende ao propósito de predição. A saída predita pelo modelo, tanto para o conjunto de treinamento como para o conjunto de testes, resultaram em algumas saídas negativas, como pode ser constatado na Figura 27, e na Tabela D.2 (Apêndice D).
Figura 27 – Resultado do modelo FEC baseado em RLM com entradas coletadas
Fonte: Autor.
5.4.2 Modelos baseados em RNAs
a) DEC
Foi desenvolvido o modelo DEC de acordo com a subseção 5.3.2. Na busca pela melhor topologia, o treinamento da RNA apresentou como resultado 15 neurônios para a camada oculta da rede (Figura 28). Porém, como pode ser constatado na Figura 29, e na Tabela D.3 (Apêndice D), o modelo não atende ao propósito de predição para o DEC, pois a saída predita pelo modelo, tanto para o conjunto de treinamento como para o conjunto de testes, resultaram em algumas saídas negativas. Uma saída negativa é inaceitável, uma vez que os indicadores de continuidade são índices positivos.
Figura 28 – Melhor topologia para o modelo DEC com entradas coletadas
Figura 29 – Resultado do modelo DEC baseado em RNAs com entradas coletadas
Fonte: Autor.
b) FEC
Foi desenvolvido o modelo FEC de acordo com a subseção 5.3.2. Na busca pela melhor topologia, o treinamento da RNA apresentou como resultado 13 neurônios para a camada oculta da rede (Figura 30). Porém, como no modelo DEC, o modelo FEC também não atende ao propósito de predição, pois a saída predita pelo modelo, tanto para o conjunto de treinamento como para o conjunto de testes, resultaram em algumas saídas negativas, como pode ser constatado na Figura 31, e na Tabela D.4 (Apêndice D).
Figura 30 – Melhor topologia para o modelo FEC com entradas coletadas
Figura 31 – Resultado do modelo FEC baseado em RNAs com entradas coletadas
Fonte: Autor.
5.5 DESENVOLVIMENTO DOS MODELOS COM ENTRADAS NORMALIZADAS
Os modelos para predição do DEC e FEC, ajustados conforme o procedimento descrito na seção 5.4, não obtiveram bons resultado. Visando melhorar a performance desses mode- los, propõe-se o desenvolvimento de modelos através do mesmo procedimento, porém com a aplicação das entradas normalizadas aos modelos.
As entradas sofreram o processo de normalização devido a alta variabilidade de seus dados (Apêndice A). Foi realizada a normalização das entradas visando a aceleração do processo de aprendizagem, e a equalização das contribuições de cada uma das 57 entradas para o modelo. Segundo Miranda e Ribeiro120, a vantagem da normalização de entradas de modelos consiste na possibilidade dos pesos serem atualizados proporcionalmente, assim as saídas não apresentam discrepâncias em relação às entradas.
5.5.1 Modelos baseados em RLM
a) DEC
Foi desenvolvido o modelo DEC de acordo com a subseção 5.3.1. Entretanto, mesmo com a normalização das entradas, o modelo não atendeu ao propósito de predição para o DEC, pois a saída predita pelo modelo, tanto para o conjunto de treinamento como para o conjunto de testes, resultaram em algumas saídas negativas, como pode ser constatado na Figura 32, e na Tabela E.1 (Apêndice E).
Figura 32 – Resultado do modelo DEC baseado em RLM com entradas normalizadas
Fonte: Autor.
b) FEC
Foi desenvolvido o modelo FEC de acordo com a subseção 5.3.1. Porém, assim como no modelo DEC com normalização das entradas, o modelo FEC também não atendeu ao propósito de predição. Pois a saída predita pelo modelo, tanto para o conjunto de treinamento como para o conjunto de testes, resultaram em algumas saídas negativas, como pode ser notado na Figura 33, e na Tabela E.2 (Apêndice E).
Figura 33 – Resultado do modelo FEC baseado em RLM com entradas normalizadas
5.5.2 Modelos baseados em RNAs
a) DEC
Foi desenvolvido o modelo DEC de acordo com a subseção 5.3.2. Na busca pela melhor topologia, o treinamento da RNA apresentou como resultado 15 neurônios para a camada oculta da rede (Figura 34). Porém, mesmo com a normalização das entradas, o modelo não atendeu ao propósito de predição para o DEC, pois a saída predita pelo modelo, tanto para o conjunto de treinamento como para o conjunto de testes, resultaram em algumas saídas negativas, como pode ser notado na Figura 35 e na Tabela E.3 (Apêndice E).
Figura 34 – Melhor topologia para o modelo DEC com entradas normalizadas
Fonte: Autor.
Figura 35 – Resultado do modelo DEC baseado em RNAs com entradas normalizadas
b) FEC
Foi desenvolvido o modelo FEC de acordo com a subseção 5.3.2. Na busca pela melhor topologia, o treinamento da RNA apresentou como resultado 13 neurônios para a camada oculta da rede (Figura 36). Porém, como no modelo DEC com normalização das entradas, o modelo FEC também não atendeu ao propósito de predição. Pois a saída predita pelo modelo, tanto para o conjunto de treinamento como para o conjunto de testes, resultaram em algumas saídas negativas, como pode ser observado na Figura 37 e na Tabela E.4 (Apêndice E).
Figura 36 – Melhor topologia para o modelo FEC com entradas normalizadas
Fonte: Autor.
Figura 37 – Resultado do modelo FEC baseado em RNAs com entradas normalizadas
5.6 DESENVOLVIMENTO DOS MODELOS COM ENTRADAS NORMALIZADAS E