Bem-vindo ao Sistersinspirit.ca, onde você pode obter respostas rápidas e precisas com a ajuda de especialistas. Explore nossa plataforma de perguntas e respostas para encontrar respostas detalhadas de uma ampla gama de especialistas em diversas áreas. Conecte-se com profissionais prontos para fornecer respostas precisas para suas perguntas em nossa abrangente plataforma de perguntas e respostas.
Sagot :
Resposta:
a) Após a realização da pesquisa e analisando as duas técnicas, constatou-se que:
Regressão linear
1) Depende do conhecimento prévio do relacionamento entre a entrada e a saída.
2) É simples de implementar e fácil de treinar.
3) Muito útil quando existem grandes quantidades de atributos; outros métodos tendem ao overfitting.
4) Por sua natureza, analisa apenas relações lineares entre a entrada e a saída.
5) Tem um modelo fácil de interpretar.
Rede neural
1) Não dependem de nenhum conhecimento prévio entre a entrada e a saída.
2) Necessitam de muita informação para conseguir modelar o relacionamento entre a entrada e a saída.
3) Conseguem tratar sistemas não lineares.
4) Têm grandes variedade de arquiteturas.
5) Desempenho sensível aos parâmetros da RNA, tais como: número de neurônios, número de camadas, tipo de função de ativação, etc.
b) Os tipos de dados de entrada seriam a série histórica das pesquisas com a participação do nome ou não do candidato. A utilização de pesquisas sem o nome do candidato seria para o sistema aprender sobre o comportamento dos eleitores.
c) A saída teria duas informações: a probabilidade de o candidato vencer e o intervalo de confiança da previsão.
d) Como técnica, devemos utilizar a RNAs. Essa tarefa de previsão tem relacionamentos não lineares porque são baseadas no comportamento de grupos de pessoas e, também, podem acontecer mudanças inesperadas nos dados de entrada devido a situações peculiares que acontecem em uma campanha eleitoral. Assim, a RNA é a melhor solução, pois pode generalizar melhor e, além disso, não há necessidade de interpretar o modelo.
e) Os algoritmos RNA exigem muito esforço computacional e muita memória, mas como serão tarefas off-line não há problema com o tempo de processamento.
Explicação:
Obrigado por passar por aqui. Estamos comprometidos em fornecer as melhores respostas para todas as suas perguntas. Até a próxima. Obrigado por sua visita. Estamos comprometidos em fornecer as melhores informações disponíveis. Volte a qualquer momento para mais. Temos orgulho de fornecer respostas no Sistersinspirit.ca. Visite-nos novamente para obter mais informações.