ANÁLISE DE ARQUITETURAS DE DEEP LEARNING APLICADO A UM BENCHMARK DE CLASSIFICAÇÃO

Autores

  • Henrique Matheus Ferreira da Silva
  • Max Tatsuhiko Mitsuya
  • Clayton André Maia dos Santos
  • Anderson Alvarenga de Moura Meneses

Resumo

O Aprendizado Profundo (Deep Learning) é uma subárea de Aprendizado de Máquina (Machine Learning), que investiga técnicas para simular o comportamento do cérebro humano. No presente trabalho apresenta-se uma análise de arquiteturas de Deep Learning na solução de um problema de Classificação. Para tanto, utilizou-se a base de dados wine quality dataset (Cortez et al., 2009). Foram analisadas 9 arquiteturas de Deep Learning, com variações no número de neurônios e camadas ocultas, de forma a comparar seus desempenhos usando as métricas: Acurácia, Precisão, Recall e F1 Score. Posteriormente foi utilizado o teste de Kruskal-Wallis para avaliar se há diferença estatisticamente significativa entre as arquiteturas com a finalidade de reduzir o custo computacional para futuras aplicações. Verificou-se que a diferença entre os desempenhos não é estatisticamente significativa (com ? = 5%) para nenhuma das métricas utilizadas para este conjunto de dados, sendo assim possível usar a arquitetura menos complexa sem comprometer os resultados obtidos, reduzindo o custo computacional.

Downloads

Publicado

21-12-2018