Projeto prático 3.2 realizado na disciplina de Redes Neurais Artificiais
Este projeto envolve a classificação dos tipos de cobertura florestal no Roosevelt National Forest, Colorado. Cada exemplo no conjunto de dados representa uma observação de quatro áreas diferentes da floresta, com dados coletados em seções de 30 m x30 m. Essas observações incluem várias variáveis cartográficas que fornecem informações sobre tipos de árvores, cobertura de sombra, distância a pontos de referência próximos (como estradas), tipos de solo e topografia local.
O conjunto de dados, conhecido como Forest Cover Type, é utilizado para propor e avaliar múltiplas redes neurais artificiais do tipo feedforward multilayer perceptron (MLP) para resolver o problema de classificação multi-classe e determinar o tipo de cobertura florestal em uma área específica.
Acesso à base de dados disponível em: https://www.kaggle.com/uciml/forest-cover-type-dataset/download
Os principais objetivos deste projeto são:
- Projetar e implementar múltiplas redes neurais artificiais do tipo feedforward multilayer perceptron (MLP).
- Avaliar o desempenho dessas redes neurais na classificação dos tipos de cobertura florestal.
- Comparar os resultados de diferentes arquiteturas e configurações de redes, incluindo ajuste de hiperparâmetros, como solver, número máximo de épocas, função de ativação, proporção de holdout, quantidade de camadas e neurônios em cada uma.
- Avaliar as métricas obtidas e identificar os modelos com melhor desempenho.
