Previsão com RNA
Warning
Esta biblioteca está em desenvolvimento, nenhuma das soluções apresentadas está disponível para download.
Utilize bancos de dados de inventário florestal contínuo para prever o crescimento e a produção florestal. Utilize redes neurais artificiais para maior flexibilidade. Com este módulo, você poderá estimar volume, número de fustes, área basal, entre outras variáveis de interesse.
Parâmetros da Classe
AnnTrainer
AnnTrainer(df, y, *train_columns, iterator=None)
Parâmetros | Descrição |
---|---|
df | O dataframe contendo os dados processados do inventário florestal contínuo. |
y | A variável alvo para treinamento da RNA (Y), a variável na qual a RNA será treinada para prever. |
*train_columns | (*args ) Nomes das colunas que serão usadas para treinar a rede neural artificial para que ela possa prever os valores de Y. Devem ser numéricas. |
iterator | (Opcional) Nome da coluna que contém o iterator . Uma rede neural artificial será ajustada para cada iterator . |
Funções da Classe
- save_dir = Diretório onde o arquivo
.pkl
da RNA será salvo.
Parâmetros | Descrição |
---|---|
.fit_model() | Ajusta o modelo usando *train_columns para prever a variável Y. |
Estruturas da RNA
Serão testadas 6 diferentes estruturas de redes neurais artificiais. Apenas o resultado de 1 modelo será retornado. O modelo retornado será selecionado pela função de ranking.
Para o modelo 'ann', o módulo sklearn.neural_network.MLPRegressor é utilizado.
---
title: Parâmetros da RNA
---
classDiagram
direction LR
class MLPRegressor {
Épocas: 3000
Ativação: logístico
Modo Solver: lbfgs
Tamanho do lote: dinâmico
Taxa de aprendizado inicial: 0.1
Modo de taxa de aprendizado: adaptativo
}
class Modelo-0 {
Tamanhos da camada oculta: (15, 25, 20, 30, 10)
}
class Modelo-1 {
Tamanhos da camada oculta: (35, 10, 25, 35, 15)
}
class Modelo-2 {
Tamanhos da camada oculta: (25, 15, 30, 20)
}
class Modelo-3 {
Tamanhos da camada oculta: (15, 35, 45)
}
class Modelo-4 {
Tamanhos da camada oculta: (35, 10, 25, 35, 15)
}
class Modelo-5 {
Tamanhos da camada oculta: (35, 10, 25, 35, 15, 20, 15, 30)
}
MLPRegressor <|-- Modelo-0
MLPRegressor <|-- Modelo-1
MLPRegressor <|-- Modelo-2
MLPRegressor <|-- Modelo-3
MLPRegressor <|-- Modelo-4
MLPRegressor <|-- Modelo-5
AnnPredictor
AnnPredictor(pkl_file)
Parâmetros | Descrição |
---|---|
pkl_file | Diretório do arquivo .pkl que será utilizado para previsão. |
Funções da Classe
- Retorna a previsão de
Y
para as colunas*args
. As colunas*args
devem ser as mesmas utilizadas em*train_columns
para o treinamento.
Exemplo de Uso
exemplo_previsao_rna.py | |
---|---|
- Importa a classe
AnnTrainer
eAnnPredictor
. - Importa
pandas
para manipulação de dados.
- Carrega seu arquivo CSV para treinamento da RNA.
- Carrega seu arquivo CSV para previsões.
- Cria uma lista contendo os nomes das colunas que serão usadas para prever Y.
- Cria a variável
ann_train
contendo a classeAnnTrainer
usando a colunavolume-comercial
comoy
, ascolumns_used_for_training
comox
e a colunaMaterial Genético
como iterador. - Ajusta os modelos de RNA, salvando os arquivos
.pkl
na pastaC:\Seu\caminho\saida
, e salva as métricas de treinamento na variávelann_train_metrics
. - Carrega o modelo ajustado para
Material Genético A
e salva na variávelann_predictor
. - Faz previsões de
volume-comercial
usando as colunascolumns_used_for_training
dedf_predictions
.