Análise do desempenho de redes neurais artificiais em problemas de classificação multiclasse

Abstract

Este trabalho aborda a aplicação de redes neurais para problemas de classificação multiclasse, explorando e comparando o desempenho de múltiplas arquiteturas. Inicialmente, são apresentados os fundamentos matemáticos das redes neurais, incluindo a definição de neurônios artificiais, funções de ativação e o processo de treinamento utilizando retropropagação. Define-se arquitetura, neste trabalho, como a combinação da quantidade de camadas ocultas e de neurônios por camadas da rede. Utilizando um conjunto de dados padronizado para classificação multiclasse, e fixando os hiperparâmetros, as redes neurais são treinadas e testadas, e as taxas de acurácia são avaliadas de forma estatística. Os resultados demonstram que arquiteturas com maior disparidade de dimensionalidade entre as camadas tendem a ter um desempenho pior em comparação com as redes que possuem arquiteturas com distribuição de neurônios mais uniformes. Por outro lado, redes que tenham disparidade significativa em sua arquitetura podem alcançar bom índice de acurácia, desde que seu treinamento seja feito de maneira diferenciada. A análise detalhada dos resultados permite identificar algumas das configurações que tendem a exprimir precisão e eficiência. Conclui-se que a escolha da arquitetura ideal, que normalmente depende das especificidades do problema e dos recursos disponíveis, pode ser determinante no desempenho da rede e, portanto, destaca-se a importância de uma abordagem experimental na otimização de redes neurais para classificação multiclasse.