Sistemas Inteligentes

Mínimo de 3 features/variáveis independentes (reais ou inteiros)

1 variável dependente (reais ou inteiros)

possuir no mínimo 30 amostras, 15 de cada classe

Utillize a base de dados  criana no trabalho 2

Teu classificador deverá separar as classes com base em apenas uma regra definida pela usuário

O objeto final deve conter os métodos fit(), predict() e score() 

O método score() deve mediar acurácia. Interprete os resutados.

A base de dados deve ser separada em base de treino e teste. A base de treino deve ter 66% dos dados e a base de teste deve ter 33% dos dados.

A acurácia deve ser medida na base de treino e na base de teste

Teu classificador deverá separar as classes com base em apenas uma regra

Essa regra deve ser a melhor dentre todas as possíveis, portanto vc deverá testar todas as características e todos os intervalos

O objeto final deve conter os métodos fit(), predict() e score() 

O método score() deve medir acurácia e matriz de confusão. Interprete os resultados.

A base de dados deve ser separada em base de treino e teste. A base de treino deve ter 66% dos dados e a base de teste deve ter 33% dos dados.

A separação da base deve ser estratificada

A acurácia deve ser medida na base de treino e na base de teste

Teu classificador deverá ser do tipo online (i.e. estocástico)

O objeto final deve conter os métodos fit(), predict() e score() 

O método score() deve medir acurácia e matriz de confusão. Interprete os resultados.

A base de dados deve ser separada em base de treino e teste. A base de treino deve ter 66% dos dados e a base de teste deve ter 33% dos dados.

A separação da base deve ser estratificada. Utilize apenas 2 características para facilitar gráficos

A acurácia deve ser medida na base de treino e na base de teste

Exiba em um grafico o erro obtido para cada época de treinamento 

Exiba o hyperplano dados pelos coeficientes obtidos

Teu regressor deverá ser do tipo online (i.e. estocástico)

O objeto final deve conter os métodos fit(), predict() e score() 

O método score() deve medir o MSE e MAE. Interprete os resultados.

Será necessário criar uma base de dados de regressão, a exemplo do trabalho 2. Use apenas 2 características para facilitar visualização

A base de dados deve ser separada em base de treino e teste. A base de treino deve ter 66% dos dados e a base de teste deve ter 33% dos dados.

A o MAE e mSE deve ser medida na base de treino e na base de teste

Exiba em um grafico o erro obtido para cada época de treinamento 

Exiba a superfície de erro (2d) e, no mesmo grafico, uma marcação do erro alcançado pelo melhor modelo

Exiba o hyperplano dados pelos coeficientes obtidos

O ajuste de pesos deve ser realizado pelo gradiente descendente

O objeto final deve conter os métodos fit(), predict() e score() 

O método score() deve medir o MSE e MAE. Interprete os resultados.

A base de dados deve ser separada em base de treino e teste. A base de treino deve ter 66% dos dados e a base de teste deve ter 33% dos dados.

A acurácia deve ser medida na base de treino e na base de teste

Exiba a superfície de erro (2d) e, no mesmo grafico, uma marcação do erro alcançado pelo melhor modelo

Exiba o hyperplano dado pelos pesos obtidos

O ajuste de pesos deve ser realizado pelo método de mínimos quadrados

Vc deve determinar os pesos da reta w0, w1 e w2 usando um método de busca. Pode escolher profundidade ou largura. É necessário incluir alguma meta-heurística

A implementação deve ter, separadamente, o simulador (rede neural para inferir o resultado) e o método de busca

O similador deve retornar os possíveis estados futuros, tendo como entrada o estado inicial

O método de busca pode ser implementado usando uma pilha ou pode alguma outra biblioteca que acharem interessante

Para auxiliar imagine que ajustar esses pesos é um jogo, onde o valor de cada peso pode subir ou descer. Como são 3 pesos e 2 ações para cada peso, o número total de ações possíveis é 6.

O objeto final deve conter os métodos fit(), predict() e score()

A base de dados deve ser separada em base de treino e teste. A base de treino deve ter 66% dos dados e a base de teste deve ter 33% dos dados.

Deve ser plotado o scatterplot dos pontos e a reta de decisão obtida

A acurácia final deve ser medida na base de treino e na base de teste

A acurácia deve ser medida na base de treino e na base de teste

Exiba a superfície de erro (2d) e, no mesmo grafico, uma marcação do erro alcançado pelo melhor modelo

Exiba o hyperplano dado pelos pesos obtidos