1.5) Divisão em Conjuntos de Treino e Teste: É crucial dividir os dados para treinar o modelo em uma parte e testá-lo em dados que ele “nunca viu” antes.
1.6) Construção e Treinamento da Rede Neural: Definição do Modelo (MLP Simples): Vamos construir uma Rede Neural com uma camada de entrada (implícita), uma camada oculta e uma
camada de saída.
1.7) Compilação do Modelo: Definimos o otimizador, a função de perda e as métricas.
1.8) Faça o Treinamento do Modelo para 50 epochs.
1.9) Avaliar no conjunto de testes
1.10) Previsão e Matriz de confusão
Com base no passo a passo e os dados coletados, responda:
1) Com base no gráfico (apresente o gráfico gerado), se as duas classes são facilmente separáveis ou se há alguma sobreposição. O que isso implica para o desafio da Rede Neural?
2) Expliquem com suas palavras por que a normalização (ou escalonamento) dos dados de entrada é uma etapa importante para treinar Redes Neurais.
3) Interprete o resultado da acurácia e a matriz de confusão. O que significam os números na matriz? Quais são os “Falsos Positivos” e “Falsos Negativos” neste contexto e qual o impacto deles na linha de produção dos componentes?