Use este identificador para citar ou linkar para este item: http://www.monografias.ufop.br/handle/35400000/5556
Registro completo de metadados
Campo Dublin CoreValorIdioma
dc.contributor.advisorPavanelli, Davi Nevespt_BR
dc.contributor.authorNissila, Lauri Antonio-
dc.date.accessioned2023-05-11T19:44:53Z-
dc.date.available2023-05-11T19:44:53Z-
dc.date.issued2023pt_BR
dc.identifier.citationNISSILA, 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.pt_BR
dc.identifier.urihttp://www.monografias.ufop.br/handle/35400000/5556-
dc.description.abstractO 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.pt_BR
dc.language.isopt_BRpt_BR
dc.subjectGestão de estoquept_BR
dc.subjectAprendizado de máquinapt_BR
dc.subjectPythonpt_BR
dc.subjectSoftwares computacionaispt_BR
dc.titleAnálise comparativa de métodos computacionais para a classificação de estoque : redes neurais, kNN e SVM.pt_BR
dc.typeTCC-Graduaçãopt_BR
dc.contributor.refereePavanelli, Davi Nevespt_BR
dc.contributor.refereeMurta, Jorge Luiz Bresciapt_BR
dc.contributor.refereeSilva, Cristiano Luís Turbino de França ept_BR
dc.description.abstractenThe 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.pt_BR
dc.contributor.authorID14.2.1665pt_BR
Aparece nas coleções:Engenharia de Produção - OP

Arquivos associados a este item:
Arquivo Descrição TamanhoFormato 
MONOGRAFIA_AnáliseComparativaMétodos.pdf2,08 MBAdobe PDFVisualizar/Abrir


Este item está licenciado sob uma Licença Creative Commons Creative Commons