Sistema Híbrido para Observar o Desempenho de Discentes de Plataforma EAD do Curso de Biologia

Resumo

Esse trabalho visa construir um sistema híbrido que monitore características de desempenho em um banco de dados extraído da plataforma Moodle para um curso de biologia ofertado pela Universidade de Pernambuco. Um sistema híbrido pode ser definido como um método que combina abordagens básicas, geralmente baseada em conteúdos, que podem aumentar o desempenho (WALEK & FOJTIK, 2020). Para que a rede neural construída se torna-se híbrida foi utilizada o método K-means junto com a rede neural MLP (Multilayer Perceptron). De acordo com Favieiro (2009) a rede neural MLP consiste em um conjunto de unidades sensoriais que compõe a camada de entrada, uma ou mais camadas ocultas de nós e uma camada de saída, em que o sinal de entrada se propaga para frente através da rede. Assim, foi utilizado a base x_treino para construir e obter a base distancia, que contém a distância do ponto até os centroides. Em seguida, utilizei a base distância como entrada para treinar o KNN com os mesmos parâmetros utilizados sozinho. Para configurar o K-means utilizei os parâmetros: algorithm='full', copy_x=True,init='k-means++', max_iter=300, n_clusters=3, n_init=10, n_jobs=None, precompute_distances='auto' random_state=None, tol=0.0001, verbose=0. Essa foram as configurações que mostraram o melhor resultado e foram utilizados na abordagem assistida. Assim, utilizou-se a k-means criando-se uma matriz de distâncias dos pontos até os centroides. Essa matriz de distâncias foi utilizada no KNN em um processo não assistido para gerar a acurácia que será usada no teste de hipótese. Buscou-se fazer uma rede neural MLP que foi alimentada com a matriz de distâncias produzida pelo K-means e essa rede neural foi treinada para apontar o valor do cluster de maneira semelhante ao KNN. A rede neural foi implementada em Python através da função reLu, com três camadas. A primeira camada possui 3 neurônios, cada um referente a uma característica de entrada (vetor coluna). A camada de saída da rede possui 3 neurônios referentes as 3 classes de saída, nessa etapa a função utilizada foi a softmax. Foi colocado a base x_teste para criar a base de dados distancia1 que foi utilizada no KNN junto com o y_teste, de modo semelhante foi utilizado a matriz distância1 e y_teste para alimentar a rede neural. Foram realizados 80 ciclos de treino e teste e chegou-se a uma média de acurácia para o KNN de: 0.5444393042190969 e a média da acurácia da rede neural foi de: 0.5798852712847292. Foram realizados dois testes de hipótese. O primeiro tem como hipótese nula que os sistemas assistidos e não assistidos geram valores de acurácia equivalentes. E o segundo teste de hipótese utiliza como hipótese nula que a rede neural tem uma acurácia maior que o KNN não assistido. Teste de hipótese 1 - a hipótese nula é que o uso do método não assistido gera valores de acurácia equivalente ao do método assistido. F-score é: inf. e o valor crítico é: 1.4511523225118481. O teste rejeitou a hipótese nula. Teste de hipótese 2 - a hipótese nula é que acurácia da rede neural é maior que a acurácia do KNN não assistido. F-score é: 1.1968541723711332 e o valor crítico é: 1.3361450351563644. O teste falhou em rejeitar a hipótese nula. Assim, pode-se ver que o modelo hibrido não apresenta uma acurácia equivalente ao modelo tradicional de KNN. Porém, comparando as clusterizações desenvolvidas pelos K-means o que pode ter ocorrido é uma variação no rótulo criado que pode ter gerado uma diminuição na acurácia do modelo híbrido. A rede neural apresentou uma acurácia maior que o KNN não assistido.