4.8 Teste da rede

Uma rede pode se especializar demasiadamente em relação aos exemplos

contidos na base de aprendizado. Esse tipo de comportamento gera um problema de aprendizado conhecido como superaprendizado (over-training ou over-fitting). Normalmente, o over-fitting pode ser detectado e evitado po meio do uso de um teste de generalização por validação cruzada (cross validation).

Quanto ao tempo de treinamento, vários fatores podem influenciar a sua

duração, porém sempre será necessário utilizar algum critério de parada. O critério de parada do algoritmo backpropagation não é único, e geralmente é utilizado um número máximo de ciclos, no qual deve ser considerada a taxa de erro médio por ciclo e a capacidade de generalização da rede. Pode ocorrer que em determinado instante do treinamento a generalização comece a degenerar, causando over-training.

O treinamento deve ser interrompido quando a rede apresentar uma boa

capacidade de generalização e quando a taxa de erro for suficientemente pequena, ou seja, menor que um erro admissível. Assim, deve-se encontrar um ponto ótimo de parada com erro mínimo e capacidade de generalização máxima.

4.8 Teste da rede Após o processo de treinamento e aprendizagem da rede, todo o conhecimento está armazenado nas conexões sinápticas do modelo empregado. Há a necessidade de se verificar a capacidade de generalização da rede neural realizando o processo de validação e teste. Nesta etapa são apresentados à rede padrões nunca vistos durante o processo de treinamento. A rede neural terá de classificar corretamente esses padrões para a confirmação de um aprendizado satisfatório. Em caso positivo, avança-se para a próxima etapa: integração da aplicação. Se o desempenho não for adequado, deve-se retornar à etapa anterior e refazer parte do processo, como, por exemplo, alterar a topologia da rede, o algoritmo de aprendizagem, ou, eventualmente, o próprio conjunto de dados. Devem ser considerados ainda outros testes como análise do comportamento da rede, utilizando entradas especiais e análise dos pesos da rede, pois se existirem valores muito pequenos, as conexões associadas podem ser consideradas insignificantes e, assim, serem eliminadas (prunning). De modo inverso, valores substancialmente maiores que os outros poderiam indicar que houve over-training da rede.