Backpropagation no matlab
Sumário

Introdução

A rede neural artificial (RNA) do tipo Perceptron de múltiplas camadas (MLP) tem sido o modelo de RNA mais frequentemente utilizado em problemas de classificação de padrões. Dentre as mais importantes características deste tipo de modelo está a excelente capacidade de generalização e a habilidade de realizar aproximação universal de funções (HORNIK et al, 1989).

1. Descrição do algoritmo de Backpropagation

O algoritmo de treinamento de RNAs mais popular é o Backpropagation (BP) que, por ser supervisionado, utiliza pares de entrada e saída (x,) para, por meio de um mecanismo de correção de erros, ajustar os pesos da …exibir mais conteúdo…

Assim sendo, as variáveis de saída representam as duas classes possíveis em que pode ser classificado um tumor: maligno ou benigno. A distribuição da classe de acordo com a quantidade de registros obedece à seguinte proporção:

Figura 2 - Percentual das classes para a base CANCER

Quantidades de neurônios escondidos:

Determinar a quantidade de neurônios escondidos é uma tarefa complexa. Em geral, redes com quantidades pequenas de neurônios são preferidas, pois se espera alcançar maior poder de generalização e uma menor probabilidade de super estimação (overfitting). Porém, redes com uma quantidade insuficiente de neurônios escondidos podem não ter o poder suficiente para modelar e aprender as estruturas contidas nos dados em estudo. Nos experimentos foram utilizadas redes com topologias de uma única camada escondida, contendo 1, 5 e 10 neurônios escondidos. Taxas de aprendizado:

Determinar o valor da taxa de aprendizado também é uma tarefa complexa. Em geral, quando o valor da taxa de aprendizado é muito baixo o processo de aprendizado pode ser muito lento, além de ter uma maior chance de ficar preso a mínimos locais. Por outro lado, se seu valor for muito grande, pode causar instabilidade numérica durante o treinamento. Nos experimentos foram utilizadas as taxas de aprendizagem 0.004, 0.008 e 0.012. Padrões de teste:

Este conjunto serve para avaliar o desempenho do modelo após o treinamento