Análise comparativa entre o desempenho dos métodos de regressão não linear e redes neurais artificiais através do planejamento de experimentos
| Autor: | LOPES, Marina Fernandes Branco Pitanga |
|---|---|
| Přispěvatelé: | BALESTRASSI, Pedro Paulo |
| Jazyk: | portugalština |
| Rok vydání: | 2020 |
| Předmět: | |
| Zdroj: | Repositório Institucional da UNIFEI (RIUNIFEI) Universidade Federal de Itajubá (UNIFEI) instacron:UNIFEI |
| Popis: | Agência 1 A modelagem de dados é uma técnica que auxilia a tomada de decisão e a resolução de diversos tipos de problemas em sistemas reais. Entretanto, a escolha da melhor técnica para modelar um sistema real nem sempre é uma tarefa fácil, pois cada sistema possui suas características específicas e não é possível inferir que o melhor método para determinada situação será o melhor em outros contextos. Devido a essa necessidade de generalização, o presente trabalho tem como objetivo apresentar uma análise comparativa entre o desempenho dos métodos de regressão não linear (RNL) e redes neurais artificiais (RNAs) na modelagem de conjuntos de dados gerados através de um planejamento de experimentos (DOE), de modo a simular diferentes cenários nos quais os métodos serão aplicados. Dessa forma, os conjuntos de dados foram modelados por cada um dos métodos e suas respostas foram avaliadas através do coeficiente de determinação (R²). Os resultados mostraram que os métodos estudados apresentam diferenças estatisticamente significativas, com um nível de significância de 5%. Além disso, concluiu-se nesta pesquisa que se os experimentadores conhecem a priori o modelo não linear que define a relação entre as variáveis de entrada e a variável resposta, a regressão não linear supera a rede neural artificial em termos de R². Data modeling is a technique that assists decision making and the resolution of several types of problems in real systems. However, choosing the best technique for modeling a real system is not always an easy task, as each system has its specific characteristics and it is not possible to infer that the best method for a given situation will be the best in other contexts. Due to this need for generalization, the present work aims to present a comparative analysis between the performance of nonlinear regression (NLR) and artificial neural networks (ANNs) methods in modeling data sets generated through a design of experiments (DOE), in order to simulate different scenarios in which the methods will be applied. Thus, the data sets were modeled by each of the methods and their responses were assessed using the coefficient of determination (R²). The results showed that the studied methods present statistically significant differences, with a significance level of 5%. In addition, in this research it was concluded that if the experimenters know a priori the nonlinear model that defines the relationship between the input variables and the response variable, nonlinear regression outperforms artificial neural network in terms of R². |
| Databáze: | OpenAIRE |
| Externí odkaz: |
|