Manual do usuário PALISADE NEURALTOOLS 5.5

[. . . ] Manual do Usuário NeuralTools Add-In de Rede Neural para o Microsoft Excel ® Versão 5. 5 janeiro, 2010 Palisade Corporation 798 Cascadilla St. Ithaca, NY 14850 EUA +1 607 277-8000 +1 607 277-8001 (fax) http://www. palisade. com (website) sales@palisade. com (e-mail) Direitos autorais Copyright © 2010, Palisade Corporation. Reconhecimento de marcas registradas Microsoft, Excel e Windows são marcas registradas da Microsoft Corporation. IBM é marca registrada da International Business Machines, Inc. Palisade, TopRank, BestFit e RISKview são marcas registradas da Palisade Corporation. Bem-vindo ao NeuralTools para o Excel Bem-vindo O NeuralTools coloca à sua disposição um novo conjunto avançado de ferramentas de modelagem para uso com o Microsoft Excel ­ a ferramenta de modelagem e análise de dados padrão do setor! [. . . ] Esses valores são percentuais e sua soma total é 100%. Quanto mais baixo o valor de uma determinada variável, menor o seu efeito sobre as previsões. Os resultados da análise podem auxiliar na seleção de um novo conjunto de variáveis independentes, ou seja, um conjunto que produzirá previsões mais exatas. Por exemplo, uma variável com baixo valor de impacto pode ser eliminada em favor de uma nova variável. Contudo, é necessário estar ciente de que os resultados da Análise de Impacto são relativos a uma determinada rede. O fato de uma rede "ter aprendido" a ignorar uma determinada variável torna provável que outra rede também aprenderá a ignorá-la, porém, uma outra sessão de treinamento com outro tipo de rede poderia "descobrir" como essa variável pode ter uma contribuição importante para obter previsões exatas. Em conjuntos de dados com menor quantidade de casos e/ou maior quantidade de variáveis, as diferenças no impacto relativo das variáveis entre as redes treinadas podem ser mais pronunciadas. É importante lembrar que esses valores são "relativos". Suponha que haja duas variáveis independentes: uma para a qual foi atribuído o valor de 99% e a outra com o valor de 1%. Isso significa que a segunda variável é muito menos importante que a primeira, porém não significa que ela seja desprezível, principalmente quando se desejam previsões de alta exatidão. 50 Referência de comandos Outros aspectos importantes da análise de impacto de variáveis: 1) Somente o conjunto de dados de treinamento é incluído na análise. (Se forem usados os recursos de Teste Automático e Previsão Automática, os respectivos casos não serão incluídos. Isso se dá porque eles poderiam ter valores numéricos fora do intervalo de treinamento, podendo tornar os resultados da análise mais imprevisíveis. ) 2) No que se refere a uma dada variável categórica independente, em cada caso a análise percorre todas as categorias válidas para a variável em questão e mede a mudança no valor previsto. (Na previsão de categoria, não há valor numérico previsto, mas há outputs numéricos brutos da rede nos quais a previsão da categoria é baseada; esses outputs numéricos são usados pela análise. ) 3) No que se refere a uma dada variável numérica independente, em cada caso a análise percorre o intervalo do valor mínimo ao valor máximo da variável, medindo a mudança no valor previsto (ou, no caso de uma previsão de categoria, a mudança nos outputs numéricos brutos). A finalidade da análise de impacto da variável não é apoiar conclusões definitivas como afirmar, com elevada confiança, que uma determinada variável é irrelevante. Em vez disso, ela tem o propósito de ajudar na busca do melhor conjunto de variáveis independentes: os resultados da análise podem informar que uma determinável variável parece irrelevante, a ponto de valer a pena treinar uma rede sem essa variável. Referência: Comandos de menu do NeuralTools 51 Os resultados da análise de impacto de variáveis são exibidos no relatório Resumo de Treinamento: 52 Referência de comandos Guia: Configuração da rede A guia Configuração da rede, na caixa de diálogo Treinamento, permite selecionar o tipo de rede neural que será treinada usando os seus dados. Você pode selecionar uma configuração de rede específica ou a busca da Melhor Rede e, neste caso, o NeuralTools testa uma variedade de possíveis configurações até identificar a que apresenta o melhor desempenho. O NeuralTools aceita diferentes configurações de redes neurais para oferecer as melhores previsões possíveis. Há dois tipos de redes disponíveis para a previsão de classificação/categoria: Redes Neurais Probabilísticas (PNN) e Rede Multi-Layer Feedforward (MLF). A previsão numérica pode ser realizada usando redes MLF, assim como Redes Neurais de Regressão Generalizada (GRNN), que são estreitamente relacionadas às redes PNN. Para obter mais informações sobre os aspectos técnicos das configurações de rede disponíveis, veja a seção Mais informações sobre redes neurais. Referência: Comandos de menu do NeuralTools 53 A guia Configuração da rede inclui: · Tipo de rede ­ seleciona o tipo de rede a ser usado no treinamento ou a busca da Melhor Rede. A guia Opções da configuração de rede muda dependendo do tipo de rede selecionada. Tipos de rede disponíveis: 1) Busca da Melhor Rede. [. . . ] Da mesma forma que nas redes GRN, cada input tem seu próprio fator de suavização; esses fatores determinam a rapidez com que a significância dos casos de treinamento diminui com a distância. Na camada de soma há um neurônio para cada categoria dependente; cada neurônio perfaz a soma dos valores de output dos neurônios correspondentes aos casos de treinamento da categoria em questão. Os valores de output dos neurônios da camada de soma podem ser interpretados como estimativas da função de densidade de probabilidade para cada classe. O neurônio de output seleciona a categoria com o maior valor na função de densidade de probabilidade como a categoria prevista. [. . . ]