Seleção de características de dados utilizando redes neurais artificiais

As Redes Neurais Artificiais tem se difundido ao longo dos anos e sua utilização vem crescendo devido aos bons resultados encontrados na solução de diversos problemas do mundo real. Porém o elevado grau de complexidade presente nas Redes Neurais Artificiais torna sua computação difícil, um dos fatores que prejudicam o desempenho da rede neural é a presença de variáveis de entrada redundantes que nada acrescentam ao seu processo de aprendizagem tornando assim o treinamento mais difícil e demorado. Os métodos de seleção de características têm por objetivo determinar quais variáveis (características) da entrada são mais relevantes para a determinação da saída ou resposta da rede, isto possibilita a redução do número de entradas da rede. Neste trabalho foram implementados cinco métodos de seleção de características, o método de Garson, Perturb, PaD, Análise de Sensibilidade e Correlação. Foram escolhidos três problemas (Iris, CPU Performance, Resistência do concreto) para o treinamento das redes neurais, após treinadas com o algoritmo backpropagation os métodos foram executados obtendo-se a importância de cada entrada, as entradas menos importantes foram excluídas e as redes retreinadas obtendo-se um novo erro médio quadrático que foi comparado ao original de forma a avaliar o desempenho do método. Para o problema da Iris considerado mais simples todos os métodos obtiveram resultados semelhantes. Já para os problemas mais complexos com a presença de mais variáveis como o da CPU Performance e Resistência do Concreto os métodos Perturb e Correlação apresentaram os piores resultados, o método de Garson obteve um resultado satisfatório e o Pad e Análise de Sensibilidade apresentaram melhores resultados e se destacaram em relação aos demais