
Atenção:
O eduCAPES é um repositório de objetos educacionais, não sendo responsável por materiais de terceiros submetidos na plataforma. O usuário assume ampla e total responsabilidade quanto à originalidade, à titularidade e ao conteúdo, citações de obras consultadas, referências e outros elementos que fazem parte do material que deseja submeter. Recomendamos que se reporte diretamente ao(s) autor(es), indicando qual parte do material foi considerada imprópria (cite página e parágrafo) e justificando sua denúncia.
Caso seja o autor original de algum material publicado indevidamente ou sem autorização, será necessário que se identifique informando nome completo, CPF e data de nascimento. Caso possua uma decisão judicial para retirada do material, solicitamos que informe o link de acesso ao documento, bem como quaisquer dados necessários ao acesso, no campo abaixo.
Todas as denúncias são sigilosas e sua identidade será preservada. Os campos nome e e-mail são de preenchimento opcional. Porém, ao deixar de informar seu e-mail, um possível retorno será inviabilizado e/ou sua denúncia poderá ser desconsiderada no caso de necessitar de informações complementares.
| Metadados | Descrição | Idioma |
|---|---|---|
| Autor(es): dc.contributor | Lacerda, Wilian Soares | - |
| Autor(es): dc.contributor | Grützmann, André | - |
| Autor(es): dc.contributor | Ferreira, Danton Diego | - |
| Autor(es): dc.creator | Lima, Álvaro Henrique Nogueira de | - |
| Data de aceite: dc.date.accessioned | 2026-02-09T12:44:27Z | - |
| Data de disponibilização: dc.date.available | 2026-02-09T12:44:27Z | - |
| Data de envio: dc.date.issued | 2018-09-26 | - |
| Data de envio: dc.date.issued | 2018-09-26 | - |
| Data de envio: dc.date.issued | 2015-04-23 | - |
| Data de envio: dc.date.issued | 2012-10-10 | - |
| Fonte completa do material: dc.identifier | https://repositorio.ufla.br/handle/1/30683 | - |
| Fonte: dc.identifier.uri | http://educapes.capes.gov.br/handle/capes/1167332 | - |
| Descrição: dc.description | Artificial Neural Networks have been disseminated over the years and its use has grown because of the good results in solving many real world problems. But the high degree of complexity present in Artificial Neural Networks makes its computation difficult, one of the factors that affect the performance of the neural network is the presence of redundant input variables that add nothing to their learning process thus making training more difficult and time consuming. The feature selection methods aim to determine which variables (characteristics) of the input that are most relevant or most contribute to the determination of output or response of the network, this enables the reduction of the number of entries to be excluded from the network variables less significant. In this work we implemented five methods of feature selection, the method of Garson, perturb, DBP, Sensitivity Analysis and Correlation. They chose three problems (Iris, CPU Performance, Strength of Concrete) for training the networks trained with the backpropagation algorithm following methods were performed yielding the importance of each entry, the entries were excluded and less important networks retrained obtaining A new mean square error which was compared to the original in order to evaluate the performance of the method. For the problem considered simpler Iris all methods yielded similar results. But for the most complex problems with the presence of more variables such as CPU Performance and Strength of Concrete methods perturb and Correlation showed the worst results, the method of Garson obtained a satisfactory result and Pad and Sensitivity Analysis showed better results and highlighted in relation to others. | - |
| Descrição: dc.description | As Redes Neurais Artificiais tem se difundido ao longo dos anos e sua utilização vem crescendo devido aos bons resultados encontrados na solução de diversos problemas do mundo real. Porém o elevado grau de complexidade presente nas Redes Neurais Artificiais torna sua computação difícil, um dos fatores que prejudicam o desempenho da rede neural é a presença de variáveis de entrada redundantes que nada acrescentam ao seu processo de aprendizagem tornando assim o treinamento mais difícil e demorado. Os métodos de seleção de características têm por objetivo determinar quais variáveis (características) da entrada são mais relevantes para a determinação da saída ou resposta da rede, isto possibilita a redução do número de entradas da rede. Neste trabalho foram implementados cinco métodos de seleção de características, o método de Garson, Perturb, PaD, Análise de Sensibilidade e Correlação. Foram escolhidos três problemas (Iris, CPU Performance, Resistência do concreto) para o treinamento das redes neurais, após treinadas com o algoritmo backpropagation os métodos foram executados obtendo-se a importância de cada entrada, as entradas menos importantes foram excluídas e as redes retreinadas obtendo-se um novo erro médio quadrático que foi comparado ao original de forma a avaliar o desempenho do método. Para o problema da Iris considerado mais simples todos os métodos obtiveram resultados semelhantes. Já para os problemas mais complexos com a presença de mais variáveis como o da CPU Performance e Resistência do Concreto os métodos Perturb e Correlação apresentaram os piores resultados, o método de Garson obteve um resultado satisfatório e o Pad e Análise de Sensibilidade apresentaram melhores resultados e se destacaram em relação aos demais. | - |
| Formato: dc.format | application/pdf | - |
| Idioma: dc.language | pt_BR | - |
| Direitos: dc.rights | acesso aberto | - |
| Palavras-chave: dc.subject | Redes neurais artificiais | - |
| Palavras-chave: dc.subject | Treinamento | - |
| Palavras-chave: dc.subject | Backproagation | - |
| Palavras-chave: dc.subject | Seleção de características | - |
| Palavras-chave: dc.subject | Importância | - |
| Palavras-chave: dc.subject | Variáveis | - |
| Título: dc.title | Seleção de características de dados utilizando redes neurais artificiais | - |
| Tipo de arquivo: dc.type | TCC | - |
| Aparece nas coleções: | Repositório Institucional da Universidade Federal de Lavras (RIUFLA) | |
O Portal eduCAPES é oferecido ao usuário, condicionado à aceitação dos termos, condições e avisos contidos aqui e sem modificações. A CAPES poderá modificar o conteúdo ou formato deste site ou acabar com a sua operação ou suas ferramentas a seu critério único e sem aviso prévio. Ao acessar este portal, você, usuário pessoa física ou jurídica, se declara compreender e aceitar as condições aqui estabelecidas, da seguinte forma: