Otimização do pré-processamento de Redes Neurais através de Nuvem de Partículas e Algoritmo Genético
Abstract
Uma das primeiras etapas para a execução de uma rede neural é o pré-processamento dos dados de entrada e de saída. Assim, [1] comenta sobre a importância dessa etapa, destacando que existem diversas possibilidades de se realizar esses processos tornando possível melhorar consideravelmente a taxa de acerto da rede neural final. [2] também indicou a necessidade de uma análise mais profunda desse tema, explicando que a adoção de técnicas simples pode prejudicar significativamente a performance da rede neural. Portanto, o objetivo do trabalho é compreender a variação nos resultados devido ao pré-processamento e desenvolver uma metodologia para otimizar o tratamento de dados. [...]
Downloads
References
S. Asadi, E. Hadavandi, F. Mehmanpazir e M. M. Nakhostin. “Hybridization of evolutionary Levenberg-Marquardt neural networks and data pre-processing for stock market prediction”. Em: Knowledge-Based Systems 35 (2012). doi: 10.1016/j.knosys.2012.05.003.
J. Han e S. Kang. “Dynamic imputation for improved training of neural network with missing values”. Em: Expert Systems with Applications 194 (2022). doi: 10.1016/j.eswa.2022.116508.
O. Troyanskaya, M. Cantor, G. Sherlock, P. Brown, T. Hastie, Tibshirani R., D. Botstein e R. B. Altman. “Missing value estimation methods for DNA microarrays”. Em: BioInformatics 17 (2001), pp. 520–525.
S. Strasser, R. Goodman, J. Sheppard e S. Butcher. “A new discrete Particle Swarm Optimization algorithm”. Em: GECCO 2016 - Proceedings of the 2016 Genetic and Evolutionary Computation Conference. 2016. doi: 10.1145/2908812.2908935.
