Projetos da disciplina Tópicos Especiais

Objetivo: Comparar os resultados de algoritmos de Machine Learning com problemas de classificação. Escolher dois problemas de classificação (bases) do UCI: https://archive.ics.uci.edu/ml/index.php
Algoritmos a serem testados:

• Treinar 2 árvores de decisão com o criterion = “gini” e “entropy” - Treinar 6 kNN. Usar 2 medidas de distância diferentes e 3 tamanhos de vizinhança.
• Treinar 3 kNN Improve. Usar 3 tamanhos de vizinhança.

• Dividir o conjunto de dados em 80% para treinamento e 20% para testes. Treinar os algoritmos com os mesmos dados.

• Exibir os resultados (Taxas de Acerto) de todos os algoritmos.

Objetivo: Comparar os resultados de algoritmos de Machine Learning com problemas de classificação. Escolher três problemas de classificação (bases) do UCI: https://archive.ics.uci.edu/ml/index.php
Algoritmos a serem utilizados:

• Árvore de Busca (gini e entropy)
• kNN (k igual a 5 e 10)
• MLP (escolher duas arquiteturas diferentes e variar o parâmetro activation = {‘relu’,’tanh’}). “relu” é o valor default para o parâmetro activation.
• K-Means (K igual ao número de classes existente no problema)
• Cada uma das divisões dos conjuntos deve ser utilizado para treinar cada algoritmo.

• Executar um k-fold cross-validation (k = 10), com 90% dos dados para Treinamento e o restante para Testes.

• Para as MLPs, gerar gráfico mostrando a taxa de erro de treinamento em cada época.
• Tabela com as taxas de erro/acerto, que será a média dos 10 folds de teste, para cada algoritmo treinado. Exibir os valores em percentual.