Prática 9

Ouvert le : mercredi 1 novembre 2017, 00:00
À remettre : mardi 7 novembre 2017, 22:00
EXERCÍCIO 1. MLPs podem também ser aplicadas em problemas de regressão.

* Treine a MLP na base regressao_treino.csv e teste-a em regressao_teste.csv;

* Utilize apenas uma camada oculta (para diversos problemas do mundo real, apenas uma já é suficiente);

* Teste diferentes quantidades de neurônios na camada oculta (ex: variando entre 10 e 100 de 10 em 10, ou seja: 10, 20, 30, ..., 100);

* Teste pelo menos 2 funções de ativação;

* Teste pelo menos 3 valores diferentes para learning_rate_init;

* Avalie os resultados obtidos com a medida mean_squared_error e aponte a melhor configuração de parâmetros.

* Gere scatter plots contendo os dados de regressao_teste.csv e um gráfico de linha a partir do resultado da melhor configuração de rede encontrada regressao_teste.csv;

* Discuta brevemente os resultados da melhor configuração.


EXERCÍCIO 2. Crie aleatoriamente um conjunto de dados com 100 vetores binarios (cada vetor com 10 posições e seus valores aleatoramente definidos). O rótulo de um vetor será 0 se o numero de 1s for par ou o rótulo será 1 se for impar.

* Aplique o Perceptron e a MLP (considere diferentes configurações para a MLP como no exercício anterior);

* Aplique 5-fold cross-validation com e sem estratificação;

* Calcule a acurácia obtida;

* Encontre a melhor configuração de MLP e compare os resultados com os do Perceptron.