Please use this identifier to cite or link to this item: https://repositorio.ufu.br/handle/123456789/33033
ORCID:  http://orcid.org/0000-0002-5275-9049
Document type: Dissertação
Access type: Acesso Aberto
Title: Reamostragem em redes neurais com aplicação a dados espaciais
Alternate title (s): Resampling in neural networks with application to spatial analysis
Author: Rodrigues, Bruno Póvoa
First Advisor: Matsuoka, Marcelo Tomio
First coorientator: Rofatto, Vinicius Francisco
First member of the Committee: Matsuoka, Marcelo Tomio
Second member of the Committee: Costa, Enio Tarso de Souza
Third member of the Committee: Pereira, Vinícius Amadeu Stuani
Summary: No desenvolvimento de redes neurais artificiais (RNA) o conjunto de dados disponível é dividido em três categorias: treinamento, validação e teste. No entanto, surge aqui um problema importante: como podemos confiar na predição fornecida por uma única RNA? Devido à aleatoriedade relacionada à própria RNA (arquitetura, inicialização e procedimento de treinamento), geralmente, não existe a melhor escolha. Para capturar a aleatoriedade intrínseca à RNA, apresentamos uma abordagem baseada no método Jackknife de reamostragem estatística. O Jackknife clássico consiste em remover uma observação do conjunto de dados disponíveis (n) e usar as (n – 1) amostras restantes no processo de estimação. Este processo é repetido para cada observação individual. Ao final, ter-se-á n estimativas advindas de amostras diferentes. No caso de redes neurais, cada observação individual é selecionada para compor o conjunto de teste, enquanto o restante da amostra é destinado para o treinamento da rede. Nesse caso, o número de redes neurais é igual ao tamanho dos dados disponíveis. Entretanto, estendemos a ideia ao replicar esse procedimento por um certo número de vezes. Logo, devido à característica aleatória da rede neural, as predições variam para um mesmo ponto amostral. Consequentemente, podemos descrever a distribuição de cada predição individual. Portanto, o método proposto fornece predições intervalares ao invés da tradicional predição pontual. O método proposto foi aplicado e testado utilizando dados de potencial de hidrogênio (pH), cálcio trocável (Ca2+) e concentração de fósforo (P) obtidos por meio da análise de 118 pontos de solos georreferenciados. Os resultados mostraram que a redução de 60% no conjunto de dados disponível oferece acurácia compatível em relação ao conjunto de dados completo e, portanto, um custo maior de amostragem em campo não seria necessário. O método de reamostragem caracteriza espacialmente os pontos de maior e menor acurácia e incerteza. Na avaliação externa, ou seja, na análise de dados que não participaram da reamostragem, observamos que a taxa de sucesso é maior quando usamos a predição intervalar em vez de usar a predição média. Embora restrinjamos a aplicação em redes neurais, o método proposto pode ser estendido a outras ferramentas estatísticas modernas, tais como Krigagem, Colocação por Mínimos Quadrados, entre outros.
Abstract: In the development of artificial neural networks (ANN), the available dataset is divided into three categories: training, validation and testing. However, an important problem arises here: how can we trust the prediction provided by a single ANN? Due to the randomness related to the ANN itself (architecture, initialization and training procedure), usually, there is no better choice. To capture the intrinsic randomness of RNA, we present an approach based on the Jackknife method of statistical resampling. The classic Jackknife consists in removing an observation from the available dataset (n) and using the (n – 1) remaining samples in the estimation process. This process is repeated for each individual observation. At the end, there will be n estimates from different samples. In the case of neural networks, each individual observation is selected to compose the test set, while the rest of the sample is destined for network training. In this case, the number of neural networks is equal to the size of the available data. However, we extend the idea by replicating this procedure a certain number of times. Therefore, due to the random characteristic of the neural network, predictions vary for the same sampling point. Therefore, due to the random characteristic of the neural network, predictions vary for the same sampling point. Consequently, we can describe the distribution of each individual prediction. Therefore, the proposed method provides interval predictions instead of the traditional point prediction. The proposed method was applied and tested using hydrogen potential (pH), exchangeable calcium (Ca2+) and phosphorus concentration (P) data obtained through the analysis of 118 georeferenced soil points. The results showed that the 60% reduction in the available dataset offers compatible accuracy compared to the full dataset and, therefore, a higher cost of sampling in the field would not be necessary. The resampling method spatially characterizes the points of greater and lesser accuracy and uncertainty. In external validation, i.e., analyzing data that did not participate in the resampling, we observed that the success rate is higher when using interval prediction rather than using average prediction. Although we restrict it to the neural network model, the proposed method can also be extended to other modern statistics tools, such as Kriging, Least Squares Collocation, and so on.
Keywords: Redes Neurais Artificiais
Reamostragem
Delete-1 Jackknife
Análise Espacial
Solo
Agronomia
Area (s) of CNPq: CNPQ::CIENCIAS EXATAS E DA TERRA
Language: por
Country: Brasil
Publisher: Universidade Federal de Uberlândia
Program: Programa de Pós-graduação em Agricultura e Informações Geoespaciais
Quote: RODRIGUES, Bruno Póvoa. Reamostragem em redes neurais com aplicação a dados espaciais. 2021. 27 f. Dissertação (Mestrado em Agricultura e Informações Geoespaciais) - Universidade Federal de Uberlândia, Monte Carmelo, 2021. Disponível em: http://doi.org/10.14393/ufu.di.2021.507.
Document identifier: http://doi.org/10.14393/ufu.di.2021.507
URI: https://repositorio.ufu.br/handle/123456789/33033
Date of defense: 30-Aug-2021
Appears in Collections:DISSERTAÇÃO - Agricultura e Informações Geoespaciais

Files in This Item:
File Description SizeFormat 
ReamostragemRedesNeurais.pdfDissertação3.13 MBAdobe PDFThumbnail
View/Open


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.