A classificação é um problema de aprendizado supervisionado em que o objetivo é prever a classe de uma amostra de entrada. Por exemplo, dado um conjunto de dados de pacientes, com um rótulo para indicar se cada paciente tem ou não a doença, o objetivo é construir um modelo para aprender a associar características de pacientes com a presença ou ausência da doença.
Já a regressão é um problema de aprendizado supervisionado em que o objetivo é prever o valor de uma variável contínua de entrada. Por exemplo, dado um conjunto de dados de incidência de doenças, com um rótulo para indicar o número de casos de cada doença, o objetivo é construir um modelo para aprender a associar características de doenças com o número de casos.
Sabendo disso, você deve escolher um problema de classificação ou regressão para resolver. Há disponíveis alguns conjuntos de dados para treinamento e teste, que podem ser encontrados:
Regressão: Predição de casos de Dengue/Chikungunya
Regressão: Dengue and microcephaly cases in Brazil
Classificação: Conjunto de dados de adultos para triagem de autismo
Classificação: Previsão de risco de diabetes em estágio inicial
Você deverá escolher um problema de classificação ou regressão para resolver. Para isso, você deve:
-
Escolher um problema de classificação ou regressão para resolver. Você pode escolher um dos conjuntos de dados disponíveis ou um conjunto de dados de sua preferência.
-
Realizar a análise exploratória dos dados. Você deve analisar os dados e verificar se há algum problema com eles.
-
Realizar a seleção de atributos. Você deve realizar a seleção de atributos, se necessário.
-
Realizar a normalização dos dados. Você deve realizar a normalização dos dados, se necessário.
-
Realizar a construção de um modelo de perceptron multicamadas (MLP).
-
Realizar a avaliação do modelo.