trabalho2_IA_algoritmo-de-arvore-de-decisao.pptx

UNIVERSIDADE FEDERAL DO PARÁ
CAMPUS UNIVERSITÁRIO DO TOCANTINS/CAMETÁ
Daiara Barbosa Furtado
Gleyciane Barroso de Freitas
Jéssica Luzia Gonçalves Martins
Leandra Darlian Miranda da Silva
Laciene Alves Melo
Algoritmo de Árvore de Decisão para Prever
uma Base de Dados de Monitoramento Iot

UFPA
AGENDA
1.
2. Objetivos: Geral e Específico
3. Metodologia
4.
5.
Introdução
Resultados
4.
Considerações Finais
5.

UFPA
INTRODUÇÃO
 Analise de uma base de dados oriunda de
sensores que coletam as condições do
ambiente.
 Os sensores são monitorados por serviços de
internet das coisas (IoT).

UFPA
OBJETIVOS
 Geral :
 Procurar soluções baseadas em IA, por meio do
algoritmo de Árvore de Decisão para uma
análise exata em relação a classificação.
4

UFPA
OBJETIVOS
 Específicos :
 Fazer o levantamento de uma base de dados
através de sensores de monitoramento do
ambiente IoT.
 Desenvolver e implementar soluções baseadas em
aprendizagem de máquina (Árvore de Decisão) a
fim de verificar padrões.
 Possibilitar com a IoT o compartilhamento de
informações do mundo real para o virtual.
 Analisar os resultados obtidos do processo.
5

UFPA
METODOLOGIA
6
Figura 1. Conjectura do Primeiro Cenário de Medição.
 Cenário de Aplicação:
 Foram selecionados os prédios e as áreas verdes
do Campus da UFPA, para monitorar os dados
ambientais em áreas de concreto e arborizadas.

UFPA
METODOLOGIA
7
Figura 2. Arquitetura de Software Implementada.
 Arquitetura do Sistema – Protótipo.

UFPA
METODOLOGIA
8
 Google Colaboratory:
 Permite a escrita de código Python usando o
navegador.
 Compartilhamento fácil, Acesso Gratuito a GPUs,
e não há necessidade de configurar a
ferramenta.

UFPA
METODOLOGIA
9
 Aquisição de Dados:
 A coleta dos dados deu-se através de um IoT
Agent.
 Os dados coletados pelos sensores foram
armazenados no banco de dados interno da
Dojot.

UFPA
METODOLOGIA
 Pré-processamentos de Dados:
 Exploração de dados: para tratar a base de dados
exportada utilizou-se o método de exploração.
10
Figura 3. Exploração de Dados.

UFPA
METODOLOGIA
 Eliminação Manual de Atributos:
11
Figura 4. Conjunto de atributos eliminados. (a) Execução da função drop. (b) Dados após a
Avaliação. (c) Contagem de Registros Vazios.
(a)
(b)
(c)

UFPA
METODOLOGIA
 Classificação dos Dados:
12
Figura 5. Classificação dos Dados.

UFPA
METODOLOGIA
 Treinamento e Teste Utilizando Árvore de
Decisão:
13
Figura 6. Separação das Amostras de Treino e Teste.

UFPA
METODOLOGIA
 Construção da árvore de decisão:
14
𝐼𝐻 = − 𝑃 ⅈ ∕ 𝑡 𝑙𝑜𝑔2 𝑃 ⅈ ∕ 𝑡
𝐶
𝑙=1
 Métrica de Entropia (IH): Usada para descobrir o
Split-point da árvore de decisão, determinando a
aleatoriedade (impureza) de uma variável.

UFPA
METODOLOGIA
 Treinamento e Teste Utilizando Árvore de
Decisão:
15
Figura 7. Parâmetros de Definição da Árvore.

UFPA
RESULTADOS
16
 Plotagem da Árvore de Decisão:
 Processo de treinamento: aplicou-se o algoritmo de
IA para árvore de decisão de variável categórica
com aprendizagem supervisionada.
 Critério de segregação: luminosidade, temperatura
e umidade.

UFPA
RESULTADOS
 Plotagem da Árvore de Decisão:
17
Figura 8. Árvore de Decisão de Variável Categórica.

UFPA
RESULTADOS
18
 Comparação Entre Amostras de Treino e Teste :
 Função predict do python: foi aplicada no
modelo de dados, para prever as saídas de
treino (pred_train) e teste (pred_test).
Figura 9. Predição para Treino e Teste.

UFPA
RESULTADOS
19
 Comparação Entre Amostras de Treino e teste :
 Relatório de Classificação:
Figura 10. Comparação de Amostras. (a) Relatório de Teste. (b) Relatório de Treino.
(a)
(b)

UFPA
RESULTADOS
20
 Matriz de Confusão: expõe a frequência de classificação
para cada modelo.
 Levando em consideração as seguintes frequências:
 Verdadeiro positivo (TP)
 Falso positivo (FP)
 Falso verdadeiro (TN)
 Falso negativo (FN)
Figura 11. Matriz de Confusão.

UFPA
CONCLUSÃO
 Através de treinamento e teste, verificou que a
Árvore de decisão foi um método adequado para o
problema proposto, predizendo as saídas com uma
taxa acima de 95%.
 Para trabalhos futuros pretende-se realizar teste
mais aprofundados para Árvore de decisão.
21

UFPA
REFERÊNCIAS
 Camilo, C. O., Silva, J. C. (2009). Mineração de Dados:
Conceitos, Tarefas, Métodos e Ferramentas. Relatório
Técnico. Instituto de Informática Universidade Federal de
Goiás.
 Pinto, K. S. et al. (2020) “Um Estudo de Caso de Internet das
Coisas Utilizando o Ecossistema Dojot: Da Configuração a
Utilização”, Conferência Nacional em Comunicações, Redes e
Segurança da Informação, X Edição, p. 95.
 Rajput, RAJPUT, Shubhangini; SINGH, Surya Prakash.
Identifying Industry 4.0 IoT enablers by integrated PCA-ISM-
DEMATEL approach. Management Decision, [s.l.], v. 57, n. 8,
p.1784-1817, 12 set. 2019.
22

UNIVERSIDADE FEDERAL DO PARÁ
OBRIGADA
Perguntas?

trabalho2_IA_algoritmo-de-arvore-de-decisao.pptx

Mais conteúdo relacionado

Semelhante a trabalho2_IA_algoritmo-de-arvore-de-decisao.pptx

Último

trabalho2_IA_algoritmo-de-arvore-de-decisao.pptx

Notas do Editor