Por favor, use este identificador para citar o enlazar este ítem: http://www.monografias.ufop.br/handle/35400000/5556
Título : Análise comparativa de métodos computacionais para a classificação de estoque : redes neurais, kNN e SVM.
Autor : Nissila, Lauri Antonio
metadata.dc.contributor.advisor: Pavanelli, Davi Neves
metadata.dc.contributor.referee: Pavanelli, Davi Neves
Murta, Jorge Luiz Brescia
Silva, Cristiano Luís Turbino de França e
Palabras clave : Gestão de estoque
Aprendizado de máquina
Python
Softwares computacionais
Fecha de publicación : 2023
Citación : NISSILA, Lauri Antonio. Análise comparativa de métodos computacionais para a classificação de estoque: redes neurais, kNN e SVM. 2023. 68 f. Monografia (Graduação em Engenharia de Produção) - Escola de Minas, Universidade Federal de Ouro Preto, Ouro Preto, 2023.
Resumen : O principal objetivo foi realizar uma análise comparativa de métodos computacionais para a classificação de estoque com os metodos de Redes Neurais, kNN e SVM comparando suas performances entre si e com uma classificação de referência. Para alcançar este objetivo, foi realizada uma série de etapas: 1. Pré-processamento e limpeza dos dados 2. Análise de características e seleção de atributos 3. Treinamento, validação e avaliação dos modelos selecionados 4. Comparação dos resultados e conclusão. Os modelos selecionados foram kNN, Redes Neurais e SVM. Os dados foram pré-processados para remover NaNs e outliers e os atributos relevantes foram selecionados para cada modelo. Os modelos foram treinados usando k-fold cross-validation e avaliados usando métricas como a acurácia, precisão, revocação, F1-Score e AUC. Os resultados foram comparados com uma classificação de referência. Os resultados mostraram que o modelo kNN obteve os melhores resultados com uma acurácia de 91,2%, seguido pelo SVM com 90,7% e Redes Neurais com 89,9%. Todos os modelos superaram a classificação de referência em pelo menos 8% em todas as métricas. Em conclusão, o modelo kNN foi o melhor modelo para classificar o estoque, seguido pelo SVM e Redes Neurais.
metadata.dc.description.abstracten: The main objective was to perform a comparative analysis of computational methods for the classification of stock with the methods of Neural Networks, kNN and SVM comparing their performances with each other and with a reference classification. To achieve this goal, a series of steps were performed: 1. Pre-processing and data cleaning 2. Analysis of characteristics and selection of attributes 3. Training, validation and evaluation of selected models 4. Comparison of results and conclusion. The selected models were kNN, Neural Networks and SVM. The data were preprocessed to remove NaNs and outliers and the relevant attributes were selected for each model. The models were trained using k-fold cross-validation and evaluated using metrics such as accuracy, accuracy, recall, F1-Score and AUC. The results were compared with a reference classification. The results showed that the kNN ob modelhad the best results with an accuracy of 91.2%, followed by VMS with 90.7% and Neural Networks with 89.9%. All models exceeded the reference rating by at least 8% on all metrics. In conclusion, the kNN model was the best model for classifying inventory, followed by SVM and Neural Networks.
URI : http://www.monografias.ufop.br/handle/35400000/5556
Aparece en las colecciones: Engenharia de Produção - OP

Ficheros en este ítem:
Fichero Descripción Tamaño Formato  
MONOGRAFIA_AnáliseComparativaMétodos.pdf2,08 MBAdobe PDFVisualizar/Abrir


Este ítem está sujeto a una licencia Creative Commons Licencia Creative Commons Creative Commons