E esse seu multilayer perceptron ele pode ter várias camadas certo para as camadas ocultas nos exemplos eu mostrei uma só mas pode ter várias em cada uma dessas camadas podem ter vários neurônios também certo então você pode ter diferentes configurações de rede cada uma dessa configuração a gente chama de Arquitetura de Rede um arquitetura então definir a quantidade de camadas e quando a de neurônios e em cada uma dessas camadas E aí você pode se perguntar né bom quantos neurônios eu vou colocar em cada camada vou então quantas camadas o meu problema precisa ter Eu
até já dei alguns spoilers ao longo da das aulas anteriores principalmente com relação a camada de entrada EA camada de saída né na camada de entrada 1 para camada de saída são as únicas dos camadas onde há uma regra bem definida para você determinar quantos neurônios vão a ver nessa sua camada Lembrando que a camada de entrada é aquela camada que não tem o somatório dos pesos é simplesmente aquela camada que replica né os valores para cada um dos neurônios da próxima camada faz só o Switch da dos valores de entrada x que entram por
aqui X1 X2 X3 por exemplo a quantidade de neurônios que você precisa nessa hora a entrada aqui você determina pela quantidade de variáveis que compõem uma entrada do seu problema compõem um daqueles exemplos que nos slides a gente vem chamando de exemplo né É no caso do operador lógico a gente sempre tinha lá a variável a variável B né ele fazia um um and aqui entre elas ou então ou então a gente tinha duas variáveis se eu pensar por exemplo numa rede e se eu quiser uma rede neural para classificar o nível de colesterol de
um paciente e dado que eu tenha para cada paciente essas variáveis aqui ó por exemplo sexo e idade e IMC classe social e alimentação de risco ou seja tenho cinco variáveis essa minha camada de entrada da rede ela vai ter cinco neurônios neurônios sensoriais um para cada variável da entrada do programa nac a vida a regra também existe e ela é muito simples isso aqui eu já falei em alguma aula para vocês você vai ter um neurônio na camada de saída para cada classe que existe no seu problema então se o seu problema tiver por
exemplo uma única classe classe ele sim é só a classe sim por exemplo aí você vai ter um valor zero ou uma para dizer se é se é sim ou se não é sim você é falso que assim aí você teria apenas um neurônio aqui na camada de saída você só tem uma classe E se o seu problema tiver várias classes você vai ter um neurônio de saída para cada classe certo então se nesse nosso problema aqui do colesterol eu tiver três classes por exemplo ao colesterol do meu paciente pode ser classificado como normal alto
ou médio então lá na minha camada de saída y un e Y2 e o y3 sendo que aqui né Tem tem vários vários neurônios aqui em camadas anteriores eu vou ter um neurônio para cada uma dessas classes aqui então esse neurônio aqui vai corresponder a classe normal esse neurônio aqui essa saída vai corresponder a classe alto por exemplo e esse aqui vai corresponder a classe média e daí você adota o seguinte que o valor de saída esse valor de sair da Y aqui a interpretação que você dá para esse valor sair da Y é a
probabilidade dessa dessas entradas x aqui que corresponde a um paciente pertencer a uma dessas classes aqui então por exemplo se para um determinado paciente paciente Geraldo paciente Geraldo as entradas do Geraldo de sexo de IMC certa dos e passou esse assentados aqui pela Rede e foi que e a saída Y foi 0.8 para saída foi 0.8 essa aqui foi 0.2 e essa que foi 0.01 você vai olhar para esses valores de saída aqui isso interpretar isso aqui como sendo a probabilidade dessa entrada aqui ser classificada nessas classes E aí de Regra geral você vai assumir
como uma resposta definitiva Da sua rede aquele a saída correspondente nem a classe correspondente àquele neurônio que proporcionou um maior valor de saída aí você interpreta esse em volta a probabilidade de é normal é 80 porcento a probabilidade de ser alto é 20 e a probabilidade de ser médio é 0,01 ou seja um por cento pênis então a resposta da rede né jogador do seu modelo vai ser aquele que tem a maior probabilidade aí você vai dizer que o usuário o seu colesterol e tal está normal e a confiabilidade dessa previsão é de oitenta por
cento camada de entrada e de saída é fácil o problema está nas camadas ocultas aqui nas camadas ocultas nós não não existe uma fórmula pronta que diz para você quantas camadas e nem quantos neurônios não existe uma fórmula pronta você como Engenheiro como um arquiteto e projetista da rede você vai ter que testar diferentes eles você vai P laborar diferentes modelos diferentes arquiteturas Da sua rede com diferentes quantidades de camadas e com diferentes quantidades é nestas camadas aqui treinar esses modelos treinar seus dentes e no final verificar qual delas tem a melhor capacidade de generalização
ou seja qual delas que acerta mais e no fim você vai ter que então medir né digamos assim medir o desempenho desempenho de cada rede escolher Aquele modelo que tem o melhor desempenho para o seu problema e você no caso de existir dois modelos duas arquiteturas que tem o mesmo desempenho mas são distintas entre si por exemplo um é muito Uma delas é muito simples só uma camada com 10 neurônios ele nos empenhamos taxa de desempenho lá de generalização de noventa porcento acerta noventa porcento dos casos e uma outra rede com 100 camadas e mil
neurônios em cada camada e tá a mesma parte de acerto qual delas você vai adotar se você vai seguir Esse princípio chamado navalha de ocam me diz o seguinte quando houver diversas opções disponíveis E essas opções são equivalentes você adota mais simples então se você tinha um modelo de rede com uma camada e 10 neurônios teve um bom resultado e a outra com 100 camadas e mil neurônios que teve o mesmo resultado adota mais cinco
