Weka - Redes Neurais 1-2-3 camadas de neurônios

 Weka - Redes Neurais 1-2-3 camadas de neurônios

Exemplo de Falsificação do Dinheiro -                 Franco Suizo

Arquivo ARFF para Download:

Fonte: Arquivos de amostra do Progrma R

Arquivo para Download, padrão Weka (.arff):

     Arquivo Dinheiro Falso

Inteligência Artificial

ML Supervisionado para Classificação

Redes Neurais – M. Perseptron

 

=== Confusion Matrix ===

 

  a  b   <-- classified as

 98  2 |  a = 0 è Notas Verdadeiras (Processo químico demorado)

  1 99 |  b = 1 è Notas Falsas (Processo químico demorado)

Taxa de Acerto = (98+99)/200 *100 = 98,5%

Processo Químico da 100% de acerto ou Erro 0%. Porém é demorado e caro. O que inviabiliza a sua utilização pratica.

Se considerarmos que o Positivo é detecta ruma nota falsa, então temos 2 Falsos Positivos e 1 Falso Negativo (que é nosso maior problema, aceitar uma nota falsa como se fosse verdadeira)

 

 

Agora Aplicamos uma Rede Neural com 3 Camadas e ajustamos mais dois parâmetros (LR e M). Assim melhorou a Taxa de Acerto.

=== Confusion Matrix ===

 

   a   b   <-- classified as

  99   1 |   a = 0

   0 100 |   b = 1

Taxa de Acerto= (99+100)/200 * 100 = 99,5% ¨

Porem corremos o risco de sobre ajustar o algoritmo de IA è Oberfiting – Problema Serio – Amanha Discutimos e Calculamos o Índice de Overfiting

Fizemos o Treino e o Teste (Validação) utilizando a opção Cross Validação, que utiliza 100% dos dados para Treino e os mesmos 100% dos dados para Teste.

Resultado de Ontem (10/11/2020):

=== Confusion Matrix ===

 

   a   b   <-- classified as

  99   1 |   a = 0

   0 100 |   b = 1 Para o Crossvalidation o Erro para Detecção de Notas Falsas foi 0%

 

 

 

 

Três Camadas de Redes Neurais + Parametrizar (L Rate e Momentum)

Conjunto de Treino de 80% (Opção Split do Weka)

Conjunto de Teste (Validação) 20%

Começando a simular uma situação de mercado, pratica.

 

=== Confusion Matrix ===

 

  a  b   <-- classified as

 19  0 |  a = 0

  1 20 |  b = 1 Taxa de Acerto para Notas Falsas de 20/21*100=  95,2%

Na Realidade estamos com uma Taxa de Acerto Baixa para Notas Falsas, por que de cada 100 testes erraremos 5 (4,8%) aproximadamente.

Gostaríamos de Trabalhar Comercialmente com uma Taxa de Acerto de 99.99 % para notas falsas.

Esso implica num Taxa de Erro para Notas Falsas de = 100 – 99,99 = 0,01 % (probabilidade percentual) = 0,0001 (probabilidade proporcional)

Assim nosso algoritmo trabalharia com um erro de 1/10.000, ou seja erraríamos uma nota falsa a cada 10.000 notas testadas.

 

Então como a Margem de Erro para Notas falsas foi de 0% (Crovalidation) para 4,8% (Split). Assim teremos que contar com mais dados, linhas no arquivo de dados ou mais variáveis preditoras, colunas no arquivo.