NeuralTools5 PT

Manual do Usurio
NeuralTools
Add-In de Rede Neural para o
Microsoft Excel
Verso 5.7
setembro, 2010
Palisade Corporation
798 Cascadilla St.
Ithaca, NY 14850
EUA
+1 607 277-8000
+1 607 277-8001 (fax)
http://www.palisade.com (website)
sales@palisade.com (e-mail)
Direitos autorais
Copyright 2010, Palisade Corporation.
Reconhecimento de marcas registradas

Microsoft, Excel e Windows so marcas registradas da Microsoft Corporation.
IBM marca registrada da International Business Machines, Inc.
Palisade, TopRank, BestFit e RISKview so marcas registradas da Palisade Corporation.
Bem-vindo ao NeuralTools para

o Excel
Bem-vindo
O NeuralTools coloca sua disposio um novo conjunto avanado
de ferramentas de modelagem para uso com o Microsoft Excel a
ferramenta de modelagem e anlise de dados padro do setor!
NeuralTools um suplemento (add-in) de redes neurais para o
Microsoft Excel, que possibilita analisar dados em planilhas de Excel e
trabalhar no ambiente do Microsoft Office que voc j conhece. Com
um gerenciador de dados de alta capacidade e avanados algoritmos
de redes neurais, o NeuralTools oferece todas as vantagens: a
facilidade de uso e elaborao de relatrios do Microsoft Office e a
capacidade avanada e exatido de previses das redes neurais.
Trabalhe em um ambiente conhecido

Se voc sabe usar o Excel, sabe como trabalhar com o NeuralTools! O
NeuralTools funciona exatamente como o Excel, com barras de
ferramentas, menus e funes de planilhas personalizadas tudo no
prprio Excel. Ao contrrio dos softwares autnomos de redes
neurais, o NeuralTools no requer longo perodo de aprendizagem
nem altos custos adiantados de treinamento, pois voc trabalha da
forma como j est acostumado a fazer no Excel. Os seus dados e
variveis esto em planilhas do Excel. Voc pode usar frmulas
padro do Excel para fazer clculos, usar recursos de classificao e
tabelas dinmicas. Relatrios e grficos de anlises so gerados em
formato padro do Excel, aproveitando todos os recursos de
formatao integrados no Excel.
Bem-vindo ao NeuralTools para o Excel
Anlises no NeuralTools
As redes neurais tm capacidade de aprender as relaes complexas
existentes entre os dados. Por meio de uma imitao das funes do
crebro, elas discernem padres existentes nos dados e depois,
quando so fornecidos novos dados, elas fazem extrapolaes para
gerar previses. Os tipos de problemas em que as redes neurais so
empregadas podem ser divididos em dois grupos gerais:
Problemas de classificao: so problemas em que se tenta

determinar a que tipo de categoria pertence um item
desconhecido. Exemplos incluem diagnsticos mdicos e
previso da capacidade de pagamento de dbitos.
Problemas numricos: situaes em que necessrio prever

um resultado numrico especfico. Exemplos incluem a
previso de preos de aes e a previso do nvel de vendas
durante um perodo futuro.
As redes neurais so usadas em uma variedade de aplicaes,

incluindo: previses no mercado de aes, atribuio de grau de risco
para emprstimos e crdito, deteco de fraude de crdito, previso
de vendas, previso de negcios em geral, risco de investimentos,
diagnsticos mdicos, pesquisas cientficas e sistemas de controle.
O NeuralTools fornece os mais avanados algoritmos de redes
neurais, possibilitando efetuar as melhores previses tanto para
problemas de classificao (denominados previso categrica no
NeuralTools) como para problemas numricos.
ii
Bem-vindo
Gerenciamento de dados no NeuralTools

O NeuralTools oferece um gerenciador completo de conjuntos de
dados e variveis, no prprio Excel, semelhante ao fornecido com o
StatTools, o suplemento de estatstica da Palisade para o Excel. Voc
pode definir quantos conjuntos de dados quiser, cada um com as
variveis que deseja analisar, diretamente com os dados j contidos
no Excel. O NeuralTools analisa os blocos de dados de forma
inteligente, sugerindo nomes e tipos de variveis, alm de locais para
os dados. Os conjuntos de dados e as variveis podem residir em
diferentes planilhas e pastas de trabalho, o que permite organiz-los
de acordo com a sua preferncia. Assim, voc pode treinar as redes
neurais relacionadas s suas variveis, em vez de ter de selecionar
repetidamente os dados no Excel. Alm disso, as variveis do
NeuralTools no se limitam a uma nica coluna de dados na planilha
do Excel; voc pode usar a mesma coluna para uma nica varivel em
at 255 planilhas!
iii
Relatrios do NeuralTools
O Excel excelente para criar relatrios e grficos, e o NeuralTools
tira mximo proveito disso. Ele usa grficos em formato Excel que
podem ser facilmente personalizados com novas cores, fontes e texto.
Ttulos de relatrios, formatos numricos e texto podem ser alterados
da mesma forma que em uma planilha Excel padro. Arraste e solte
tabelas e grficos de relatrios do NeuralTools diretamente em
documentos de outras aplicaes
O NeuralTools Industrial inclui o recurso de Previso ao Vivo, no
qual os valores previstos so calculados medida que novos dados
so inseridos na planilha do Excel. Esse clculo em tempo real feito
automaticamente, da mesma forma que os reclculos feitos pelo Excel.
Acesso e compartilhamento de dados

O Excel conta com timos recursos para importao de dados, o que
facilita muito a transferncia de seus dados para o NeuralTools! Use
os recursos padro do Excel para ler dados do Microsoft SQL Server,
Oracle, Microsoft Access ou qualquer outro banco de dados
compatvel com ODBC. Carregue dados de arquivos de texto ou
outras aplicaes se os dados podem ser lidos no Excel, podem ser
usados no NeuralTools!
O NeuralTools salva todos os resultados e dados em pastas de
trabalho do Excel. Da mesma forma que com qualquer arquivo do
Excel, possvel enviar resultados e redes do NeuralTools a colegas
em qualquer lugar. O compartilhamento no poderia ser mais fcil!
NeuralTools Professional e Industrial

O NeuralTools est disponvel em duas verses: Professional e
Industrial. As diferenas dessas verses so as seguintes:
iv
No NeuralTools Professional o nmero de conjuntos de dados

limitado a 1000 casos; na verso Industrial, podem haver at
16.777.216 casos .
O recurso de Previso ao Vivo, que calcula os valores

previstos medida que novos dados so inseridos na planilha
do Excel, s fornecido no NeuralTools Industrial. Esse
clculo em tempo real feito automaticamente, da mesma
forma que os reclculos feitos pelo Excel.
Bem-vindo
ndice
Bem-vindo ............................................................................................i
Trabalhe em um ambiente conhecido .................................................. i
Anlises no NeuralTools .......................................................................ii
Gerenciamento de dados no NeuralTools .........................................iii
Relatrios do NeuralTools.................................................................... iv
Acesso e compartilhamento de dados ................................................ iv
NeuralTools Professional e Industrial ............................................... iv
ndice
Captulo 1: Primeiros Passos
Introduo ...........................................................................................3
Verificao do pacote...............................................................................3
O que est includo no pacote................................................................3
Sobre esta verso ......................................................................................3
Funcionamento com o seu ambiente operacional ..............................4
Se necessitar de ajuda..............................................................................4
Requisitos de sistema do NeuralTools.................................................6
Instrues de instalao....................................................................7
Instrues gerais de instalao ..............................................................7
Instalao de cones ou atalhos do NeuralTools ................................8
O DecisionTools Suite ............................................................................8
Ativao do software..........................................................................9
Captulo 2: Viso Geral do NeuralTools
13
Viso geral.........................................................................................15
Por que usar redes neurais?..................................................................15
NeuralTools e redes neurais.................................................................16
Menu e barra de ferramentas do NeuralTools..................................17
Conjuntos de dados e o Gerenciador de Conjunto de Dados........18
Treinamento de rede neural .................................................................20
Como testar uma rede............................................................................25
Previso ....................................................................................................27
Relatrios e grficos do NeuralTools .................................................29
ndice
Utilidades do NeuralTools .................................................................. 30

Como usar o NeuralTools com StatTools, Solver e Evolver.......... 30
Captulo 3: Guia de Referncia do NeuralTools
33
Introduo......................................................................................... 35
Referncia: cones do NeuralTools
37
Barra de ferramentas do NeuralTools............................................ 37

Referncia: Comandos de menu do NeuralTools
39
Introduo......................................................................................... 39
cones nas caixas de dilogo................................................................ 40
Referncia de comandos................................................................. 41
Comando: Gerenciador de Conjunto de Dados............................... 41
Comando: Treinar ................................................................................. 48
Comando: Testar.................................................................................... 61
Comando: Prever ................................................................................... 69
Utilidades .......................................................................................... 75
Comando: Configuraes da aplicao.............................................. 75
Comando: Gerenciador de Rede Neural ........................................... 79
Comando: Utilidades de dados ausentes .......................................... 81
Mais informaes sobre redes neurais
85
Noes bsicas sobre redes neurais............................................. 85

Comparacao entre redes neurais e metodos estatisticos ................ 86
Estrutura de uma rede neural.............................................................. 86
Previso numrica e de categoria ....................................................... 87
Como treinar uma rede......................................................................... 87
Processamento computacional de redes neurais ............................. 87
Tipos de redes neurais.......................................................................... 88
Redes Multi-Layer Feedforward...................................................... 89
Arquitetura MLF.................................................................................... 89
Treinamento de redes MLF ................................................................. 91
Redes neurais de regresso generalizada e redes neurais
probabilsticas............................................................................... 95
Redes neurais de regresso generalizada.......................................... 95
Redes neurais probabilsticas ............................................................. 97
Comparao entre redes MLF e PN/GRN..................................... 101
Transformao de input ................................................................ 103
vi
Leituras recomendadas .................................................................105

ndice remissivo
ndice
107
vii
viii

Introduo ...........................................................................................3
Verificao do pacote...............................................................................3
O que est includo no pacote................................................................3
Sobre esta verso ......................................................................................3
Funcionamento com o seu ambiente operacional ..............................4
Se necessitar de ajuda..............................................................................4
Requisitos de sistema do NeuralTools.................................................6
Instrues de instalao....................................................................7
Instrues gerais de instalao ..............................................................7
Instalao de cones ou atalhos do NeuralTools ................................8
O DecisionTools Suite ............................................................................8
Ativao do software..........................................................................9
@RISK 4.5 Help System Palisade Corporation, 1999
Introduo
Esta introduo descreve o contedo da embalagem do NeuralTools e
explica como instal-lo e vincul-lo ao Microsoft Excel 2000 para
Windows 2000 ou verso mais recente.
Verificao do pacote
O pacote do NeuralTools deve conter:
CD-ROM do NeuralTools ou DecisionTools Suite com:
Programa NeuralTools
Tutorial do NeuralTools
Manual do Usurio do NeuralTools (este livro) em formato .PDF
Contrato de licena do NeuralTools

Se algo estiver faltando, entre em contato com o seu revendedor ou
distribuidor do NeuralTools, ou ligue diretamente para a Palisade
Corporation pelo nmero +1 (607) 277-8000.
O que est includo no pacote

O NeuralTools pode ser adquirido individualmente ou com a verso
Professional ou Industrial do DecisionTools Suite. O CD-ROM do
NeuralTools contm o add-in (suplemento) NeuralTools para Excel,
vrios exemplos para o NeuralTools e um sistema de ajuda eletrnica
totalmente indexado. As verses Professional e Industrial do
DecisionTools Suite contm todos os componentes mencionados
acima, alm de aplicaes adicionais.
Sobre esta verso

Esta verso do NeuralTools pode ser instalada como programa de 32
bits para o Microsoft Excel 2000 ou verso mais recente.
Funcionamento com o seu ambiente operacional

Este Guia do Usurio pressupe que o usurio saiba, de modo geral,
usar o sistema operacional Windows e o Excel. Especificamente:
O usurio sabe usar o computador e o mouse.
O usurio conhece termos como: cones, clique, duplo-clique ou clicar

duas vezes, menu, janela, comando, objeto.
O usurio tem uma compreenso de conceitos bsicos como: estrutura de

diretrios, atribuio de nomes a arquivos.
Se necessitar de ajuda
Fornecemos suporte tcnico gratuito a todos os usurios registrados
do NeuralTools com plano de manuteno vigente; tambm
oferecemos suporte tcnico mediante pagamento por incidente
individual. Para ter certeza de estar registrado como usurio do
NeuralTools, faa seu registro online, no site
http://www.palisade.com/support/register.asp.
Ao nos contatar por telefone, tenha mo o nmero de srie do seu
produto e o Manual do Usurio. Podemos prestar melhor suporte
tcnico se voc estiver em frente ao seu computador, pronto para
trabalhar.
Antes de nos
contatar
Antes de contatar o suporte tcnico, confira o seguinte:
Voc consultou a Ajuda online?
Voc consultou este Manual do Usurio e assistiu ao tutorial multimdia

online?
Voc leu o arquivo LEIAME.WRI? Ele contm informaes atualizadas

sobre o NeuralTools, que podem no estar includas no manual.
O problema que est ocorrendo pode ser reproduzido sempre da mesma

forma? possvel reproduzir o problema em outro computador ou outro
modelo de computador?
Voc consultou nosso site na Internet? O endereo :

http://www.palisade.com. O site tambm contm respostas a
perguntas frequentes (FAQ), na forma de um banco de dados pesquisvel
de perguntas com as respostas do suporte tcnico, assim como patches
para o NeuralTools, na seo Suporte Tcnico. Recomendamos acessar o
site regularmente para ver as ltimas informaes sobre o NeuralTools
e outros programas da Palisade.
Introduo
Como contatar a
Palisade
A Palisade Corporation recebe com satisfao perguntas, comentrios

e sugestes relacionados ao NeuralTools. Entre em contato com a
nossa equipe de suporte tcnico pelos seguintes meios:
E-mail: support@palisade.com.
Telefone: +1-607-277-8000, dias teis, das 9h s 17h (horrio de Nova

York). Siga as instrues telefnicas para ser conectado ao suporte
tcnico.
Fax: +1-607-277-8001.
Correspondncia:
Technical Support
Palisade Corporation
798 Cascadilla St.
Ithaca, NY 14850
EUA
Se quiser contatar a Palisade Europe:
E-mail: support@palisade-europe.com.
Telefone: +44 1895425050 (RU).
Fax: +44 1895425051 (RU).
Correspondncia:
Palisade Europe
31 The Green
West Drayton
Middlesex
UB7 7PN
Reino Unido
Para contatar a Palisade Asia-Pacific:
E-mail: support@palisade.com.au.
Telefone: +61 2 9252 5922 (Austrlia).
Fax: +61 2 9252 2820 (Austrlia).
Correspondncia:
Palisade Asia-Pacific Pty Limited
Suite 404, Level 4
20 Loftus Street
Sydney NSW 2000
Austrlia
Ao nos contatar, pedimos que sempre inclua o nome do produto, a

verso e o nmero de srie. O nmero exato da verso pode ser
encontrado no comando Sobre, da Ajuda, no menu do NeuralTools no
Excel.
Verso Student
No oferecemos suporte tcnico por telefone para a verso de

estudante do NeuralTools. Se necessitar de ajuda, recomendamos as
seguintes alternativas:
Consulte o seu professor ou colega.
Acesse http://www.palisade.com e veja as respostas s perguntas

mais comuns.
Contate nosso departamento de suporte tcnico por e-mail ou fax.
Requisitos de sistema do NeuralTools

Os requisitos de sistema para uso do NeuralTools 5.0 com Microsoft
Excel para Windows so os seguintes:
Pentium PC ou processador mais veloz, com disco rgido.
Microsoft Windows 2000 SP4, Windows XP ou verso superior.
Microsoft Excel 2000 ou verso superior.
Introduo
Instrues de instalao
Instrues gerais de instalao
O programa de instalao copia os arquivos de sistema do
NeuralTools no diretrio especificado do disco rgido.
Para executar o programa de instalao no Windows 2000 ou verso
superior:
1) Insira o CD-ROM do NeuralTools ou do DecisionTools Suite na
unidade de CD-ROM do seu computador
2) Clique no boto Iniciar; em seguida, clique em Configuraes e em
Painel de Controle
3) Clique duas vezes no cone Adicionar/Remover Programas
4) Na guia Instalar/Desinstalar, clique no boto Instalar
5) Siga as instrues do programa de instalao apresentadas na tela
Se tiver algum problema durante a instalao do NeuralTools,
verifique se a unidade de disco na qual a instalao est sendo feita
tem espao suficiente. Aps liberar espao suficiente, tente executar a
instalao novamente.
Remoo do
NeuralTools do
computador
Se quiser remover o NeuralTools de seu computador, use o recurso

Adicionar/Remover Programas no Painel de Controle e selecione o
item correspondente ao NeuralTools.
Instalao de cones ou atalhos do NeuralTools

Como criar o
atalho na barra de
tarefas do
Windows
No Windows, o programa de instalao cria automaticamente um

comando do NeuralTools no menu Programas\Palisade
DecisionTools da barra de tarefas. Contudo, se houver algum
problema durante a instalao, ou se quiser fazer isso manualmente
em outra ocasio, siga estas instrues. Observe que as instrues
abaixo so para o Windows XP Profissional. As instrues podem ser
diferentes para outros sistemas operacionais.
1) Clique no boto Iniciar e, em seguida, aponte para Configuraes.
2) Clique na guia do menu Iniciar, na barra de tarefas.
3) Clique em Personalizar, Adicionar e, em seguida, Procurar.
4) Localize o arquivo NeuralTools.EX e clique nele; em seguida, clique
em OK.
5) Clique em Avanar e, em seguida, clique duas vezes no menu em
que deseja incluir o programa.
6) Digite o nome NeuralTools e, em seguida, clique em Concluir.
7) Clique em OK em todas as caixas de dilogo abertas.
O DecisionTools Suite
O NeuralTools faz parte do DecisionTools Suite, um conjunto de
produtos para anlise de risco e decises que pode ser adquirido da
Palisade Corporation. O procedimento padro de instalao do
NeuralTools coloca o programa em um subdiretrio do diretrio
principal Arquivos de Programas\Palisade. Isso semelhante ao
que feito com o Excel, que geralmente instalado em um
subdiretrio do diretrio principal do Microsoft Office.
Um dos subdiretrios de Arquivos de Programas\Palisade ser o
diretrio do NeuralTools (por padro, denominado NeuralTools5).
Este diretrio contm o arquivo do add-in NeuralTools
(NEURALTOOLS.XLA), alm de exemplos de modelos e outros
arquivos necessrios para executar o NeuralTools. Um outro
subdiretrio de Arquivos de Programas\Palisade o diretrio
SISTEMA (ou SYSTEM), que contm os arquivos necessrios para
cada programa do DecisionTools Suite, inclusive as bibliotecas dos
programas e arquivos de Ajuda comuns.
Instrues de instalao
Ativao do software
A ativao um processo de verificao da licena que efetuado
apenas uma vez e necessrio para poder executar o software
NeuralTools como produtos plenamente licenciado. A fatura impressa
do produto, ou a fatura enviada por e-mail, contm um cdigo de
ativao, que consiste em uma sequncia separada por traos, como
por exemplo: 19a0-c7c1-15ef-1be0-4d7f-cd. Se voc forneceu o
cdigo de ativao durante a instalao, o software ser ativado na
primeira vez que for executado, e nenhuma outra ao ser
necessria. Para ativar o software aps a instalao, selecione o
comando Ativao de Licena no menu Ajuda do NeuralTools e
digite o cdigo de ativao na caixa de dilogo Ativao de Licena
Palisade apresentada.
Perguntas
frequentes
1) E se o software no for ativado?

Se o cdigo de ativao no for fornecido durante a instalao, ou se
for instalada uma verso de avaliao, o software ser executado
como verso de avaliao, com limitaes de tempo e nmero de
usos, e ter de ser ativado com um cdigo de ativao para funcionar
de modo pleno.
2) Durante quanto tempo posso usar o produto sem ativ-lo?

Sem ativao, o software pode ser usado por um perodo de 15 dias.
Toda a funcionalidade estar presente, mas a caixa de dilogo de
Ativao de Licena aparecer cada vez que o programa for iniciado,
para lembr-lo de ativar a licena e para indicar o perodo de uso
restante. Aps o perodo de avaliao de 15 dias, o software s rodar
se for ativado.
3) Como fao para verificar o status da ativao?
A caixa de dilogo de Ativao de Licena pode ser acessada atravs
do comando Ativao de Licena, no menu Ajuda. O software ativado
indicado com o status Ativado; a verso de avaliao indicada
pelo status No Ativado. Se o software no tiver sido ativado, ser
indicado o tempo restante de execuo permitido.
4) Como fao para ativar o software?
Se voc ainda no tem um cdigo de ativao, clique no boto
Comprar, na caixa de dilogo Ativao de Licena, para obt-lo
mediante a compra do software. Ao ser efetuada a compra on-line, o
comprador recebe imediatamente um cdigo de ativao e um link
opcional para fazer download do instalador, caso haja necessidade de
reinstalar o software. Para efetuar a compra por telefone, ligue para o
escritrio local da Palisade; as informaes de contato so fornecidas
na seo Como contatar a Palisade, neste captulo.
A ativao pode ser feita pela Internet ou por e-mail:
Ativao pela Internet
Na caixa de dilogo Ativao de Licena da Palisade, digite ou cole o

cdigo de ativao e pressione Ativao Automtica. Aps alguns
segundos dever aparecer uma mensagem indicando que a ativao
foi satisfatria; a caixa de dilogo de Ativao de Licena indicar o
status do software como ativado.
Ativao se voc no tiver acesso Internet
A ativao automtica por e-mail requer algumas etapas:

1.
10
Clique em Ativao Manual para exibir o arquivo

request.xml, que pode ser gravado ou copiado para a rea de
transferncia do Windows (recomenda-se anotar o endereo
do arquivo request.xml em seu computador).
Ativao do software
2.
Copie ou anexe o arquivo XML no e-mail e envie-o para

activation@palisade.com. Voc dever receber uma resposta
automtica no seu endereo de retorno de e-mail em breve.
3.
Salve o anexo response.xml do e-mail de resposta no disco

rgido.
4.
Clique no boto Processar, que agora aparece na caixa de

dilogo Ativao de licena Palisade, e v at o arquivo
response.xml. Selecione o arquivo e clique em OK.
Dever aparecer uma mensagem indicando que a ativao foi

satisfatria e a caixa de dilogo de Ativao de Licena refletir o
status do software ativado.
5) Como fao para transferir a licena do software para outro
computador?
A transferncia de uma licena ou rehosting (mudana de host),
pode ser executada na caixa de dilogo Ativao de licena Palisade
como procedimento de duas etapas: desativao no primeiro
computador e ativao no segundo. Uma utilizao tpica de rehosting
transferir a cpia do NeuralTools do PC do escritrio para o seu
laptop. Para mudar o host de uma licena do Computador1 para o
Computador2, certifique-se de o software foi instalado nos dois
computadores e que ambos estejam conectados Internet durante a
desativao/ativao.
1.
No Computador1, clique na opo Desativao Automtica, na

caixa de dilogo Ativao de licena. Aguarde at aparecer a
mensagem indicando que a desativao foi efetuada.
2.
No Computador2, clique na opo Ativao Automtica.

Aguarde at aparecer a mensagem indicando que a ativao
foi efetuada.
Se os computadores no tiverem acesso Internet, ser necessrio

seguir instrues semelhantes s fornecidas acima para fazer a
mudana de host pelo processo automtico por e-mail.
6) Tenho acesso Internet mas no consigo Ativar/Desativar
automaticamente.
necessrio definir o firewall do seu sistema para que permita acesso
TCP ao servidor de licenas. No caso de instalaes de usurios
individuais (no instalaes de rede), o endereo
http://service.palisade.com:8888 (porta TCP 8888 em
http://service.palisade.com).
11
12
Ativao do software
Captulo 2: Viso Geral do

NeuralTools
Viso geral
15
Por que usar redes neurais?..................................................................15

NeuralTools e redes neurais.................................................................16
Menu e barra de ferramentas do NeuralTools..................................17
Conjuntos de dados e o Gerenciador de Conjunto de Dados........18
Tipos de variveis.....................................................................19
Dados de mltiplos intervalos ...............................................19
Treinamento de rede neural .................................................................20
Uso integrado de treinamento, teste e previso ..................20
Configuraes de redes ...........................................................21
Viso geral: Treinamento ........................................................22
Processo de treinamento..........................................................23
Relatrios de treinamento.......................................................24
Como testar uma rede............................................................................25
Relatrios de teste.....................................................................26
Previso ....................................................................................................27
Resultados de previso............................................................28
Previso ao Vivo .......................................................................28
Relatrios e grficos do NeuralTools .................................................29
Utilidades do NeuralTools ...................................................................30
Como usar o NeuralTools com StatTools, Solver e Evolver...........30
13
14
Viso geral
O NeuralTools apresenta recursos avanados de redes neurais em um
ambiente que voc j conhece: o Microsoft Excel. Os procedimentos
do NeuralTools como a definio de conjuntos de dados, o
treinamento e teste de redes neurais e a previso de valores usando
redes treinadas podem ser executados com os dados contidos no
Excel, e os relatrios e tabelas das anlises so criados no Excel.
Por que usar redes neurais?

Redes neurais tm capacidade de aprender relaes complexas de
dados. Por meio de uma imitao das funes do crebro, elas
discernem padres nos dados e depois, quando so fornecidos novos
dados, elas fazem extrapolaes para gerar previses. Os tipos de
problemas em que as redes neurais so empregadas podem ser
divididos em dois grupos gerais:
Problemas de classificao: so problemas em que se tenta

determinar a que tipo de categoria pertence um item
desconhecido. Exemplos incluem diagnsticos mdicos e
previso da capacidade de pagamentos de dbitos.
Problemas numricos: situaes em que necessrio prever

um resultado numrico especfico. Exemplos incluem a
previso de preos de aes e a previso do nvel de vendas
durante um perodo futuro.
O NeuralTools inclui exemplos que demonstram como aplicar redes

neurais a diversos tipos de problemas de previso. A pasta
NeuralTools\Examples contm exemplos fornecidos como pastas de
trabalho do Excel.
15
NeuralTools e redes neurais

Com o NeuralTools, as redes neurais so desenvolvidas e usadas em
quatro etapas:
Preparao de dados os dados usados no NeuralTools so

definidos como conjuntos de dados. O Gerenciador de
Conjunto de Dados usado para definir conjuntos de dados
de modo que possam ser usados diversas vezes com as suas
redes neurais.
Treinamento com o treinamento, uma rede neural gerada

a partir de um conjunto de dados composto de casos com
valores de output conhecidos. Esses dados geralmente
consistem em casos histricos cujos valores de
output/varivel dependente so conhecidos.
Teste com o teste, a rede neural treinada testada para

verificar seu desempenho na previso de valores de output
conhecidos. Geralmente, os dados usados no teste so um
subconjunto de dados histricos. Esse subconjunto no
usado no treinamento da rede. Aps o teste, o desempenho
da rede medido estatisticamente para verificar, por
exemplo, a porcentagem de respostas conhecidas que foram
previstas corretamente.
Previso uma rede neural treinada usada para prever

valores de output desconhecidos. Depois de treinada e
testada, a rede pode ser usada para prever outputs de dados
de novos casos.
O processo de treinamento e teste interativo e, s vezes, longo.

Normalmente, o treinamento pode ser feito vrias vezes, com
configuraes diferentes, at gerar uma rede neural que apresente os
melhores resultados ao ser testada. Depois de obter a melhor rede,
ela pode rapidamente ser usada para efetuar previses.
Agora vamos ver como o NeuralTools funciona com o Excel e como
definir conjuntos de dados e treinar e testar redes neurais usando
esses conjuntos. Depois disso, vamos prever valores de output
desconhecidos usando as redes treinadas.
16
Viso geral
Menu e barra de ferramentas do NeuralTools

Aps o NeuralTools ser instalado, o menu e os comandos do
programa so includos na barra de menus do Excel 2003 e verses
anteriores. Tambm exibida uma barra de ferramentas do
NeuralTools. O menu inclui comandos para 1) definir dados como
conjuntos de dados; 2) treinar e testar redes neurais; 3) prever valores
utilizando redes neurais treinadas. No Excel 2007, todos os comandos
so apresentados na faixa de opes do NeuralTools.
17
Conjuntos de dados e o Gerenciador de Conjunto

de Dados
No NeuralTools, os dados so estruturados em torno de casos e
variveis. Voc trabalha com um conjunto de dados, ou com um
conjunto de variveis estatsticas, localizado em colunas contguas,
com os nomes das variveis na primeira linha do conjunto de dados.
Cada linha do conjunto de dados um caso. Cada caso contm um
conjunto de valores de variveis independentes e um valor conhecido
ou ausente para a varivel dependente do output. Cabe ao
NeuralTools prever os valores das variveis de output nos casos em
que eles so desconhecidos.
O Gerenciador de conjunto de dados do NeuralTools permite definir
conjuntos de dados, variveis e casos. Subsequentemente, essas
variveis predefinidas podem ser usadas para treinar e testar redes
neurais, sem necessidade de selecionar novamente os dados a serem
analisados. Voc pode colocar todos os casos histricos conhecidos em
um nico conjunto de dados, e os casos para os quais deseja prever
resultados em outro conjunto de dados. Voc tambm pode combinar
todos os seus dados dados histricos conhecidos e dados que deseja
prever em um nico conjunto de dados.
18
Viso geral
Cada varivel contida no conjunto de dados tem um nome e um

intervalo de clulas do Excel correspondente. Cada coluna dentro do
intervalo contm dados correspondentes a outra varivel. Um
conjunto de dados pode incluir vrios blocos de clulas, permitindo
colocar os dados em diversas planilhas de uma mesma pasta de
trabalho.
Ao definir um conjunto de dados, o NeuralTools tenta identificar as
variveis em um bloco de clulas circundantes seleo atual feita no
Excel. Isso torna mais rpido e fcil definir um conjunto de dados com
os nomes das variveis na linha superior e as variveis dispostas em
colunas.
Tipos de variveis
Dados de mltiplos
intervalos
No NeuralTools, as variveis podem ser independentes ou

dependentes, e numricas ou categricas (ex.: Sim ou No; ou
Vermelho, Verde ou Azul). O Gerenciador de Conjunto de Dados tenta
identificar o tipo de cada varivel no conjunto de dados, mas, se
quiser, voc pode ignorar isso e fazer suas prprias selees.
No Excel 2003 ou verses anteriores, uma coluna individual da
planilha pode conter at 65.536 pontos de dados para uma varivel. Se
as suas variveis tiverem mais valores do isso e voc no usar o Excel
2007, o NeuralTools permite atribuir mltiplos intervalos de clulas a
um mesmo conjunto de dados. Ou seja, voc pode repetir um
conjunto de dados em diversas planilhas, designando as mesmas
colunas em diferentes planilhas para conter todos os valores de um
determinado conjunto de dados.
19
Treinamento de rede neural

Aps definir um conjunto de dados que contenha casos com valores
histricos conhecidos, voc pode treinar uma rede neural usando
esses dados. H diversas opes para estabelecer o tipo de rede que
ser gerado pelo NeuralTools. Dependendo do tipo de dados,
diferentes opes geram redes treinadas com melhor desempenho (ou
seja, redes que fazem melhores previses). O processo de teste, que
realizado aps o treinamento, fornece mtricas precisas do
desempenho da rede treinada na previso dos valores de output.
O treinamento de uma rede neural, juntamente com testes e previso,

requer que seja especificado um conjunto de dados que contenha os
dados a serem usados durante o treinamento. O NeuralTools salva a
rede treinada diretamente na pasta de trabalho ou em um arquivo em
disco.
Uso integrado de
treinamento, teste
e previso
20
Quando todos os dados se encontram em um mesmo conjunto de

dados (tanto os dados histricos como os novos dados cujos valores
de output so desconhecidos), o NeuralTools permite treinar e testar
uma rede e, em seguida, prever os valores de output tudo em uma
nica etapa. Voc seleciona reter determinada porcentagem de dados
histricos para o teste (no exemplo da pgina anterior esse valor
20%) e depois seleciona a previso automtica de valores de output,
para os casos em que os valores dependentes esto faltando. Assim,
voc pode obter rapidamente as respostas de que necessita, por meio
de uma nica operao.
Viso geral
Configuraes de
redes
O NeuralTools permite usar diferentes configuraes de redes

neurais, a fim de propiciar as melhores previses possveis. Para a
previso de classificao/categoria (em que a varivel dependente
um tipo de categoria) h dois tipos de redes disponveis: Redes
Neurais Probabilsticas (PNN) e redes Multi-Layer Feedforward
(MLF). A previso numrica pode ser realizada usando-se redes MLF
assim como Redes Neurais de Regresso Generalizada (GRNN), que
so estreitamente relacionadas s redes PNN.
O NeuralTools facilita a seleo da configurao de rede com um

recurso de busca da Melhor Rede. Quando essa opo selecionada,
o NeuralTools treina e testa uma variedade de configuraes de redes
neurais at gerar a que produz as melhores previses para os seus
dados. A melhor configurao determinada com base nos dados
obtidos por meio do teste, portanto, para fazer uma busca da Melhor
Rede, necessrio selecionar a opo Testar automaticamente na
guia Treinamento.
21
Viso geral:
Treinamento
22
Aps selecionadas as opes de configurao de rede e de

treinamento, o NeuralTools mostra o que ser realizado durante o
treinamento da rede. Como o treinamento o processo mais
demorado na modelagem da rede neural, convm examinar a
definio do treinamento antes de prosseguir. O NeuralTools tenta
verificar se existe algum problemas com os dados, para que voc
possa corrigi-lo antes de realizar o treinamento, se necessrio.
Viso geral
Processo de
treinamento
Enquanto o NeuralTools efetua o treinamento da rede neural com os

dados, ele informa o andamento do mesmo. Normalmente, a rede
melhora medida que o treinamento continua, pois o NeuralTools
gera redes que fazem melhores previses relacionadas aos dados, com
menos erros. Os grficos so atualizados, mostrando o andamento do
treinamento efetuado pelo NeuralTools.
O treinamento interrompido quando alcanado um dos critrios

que voc definiu para parada, como, por exemplo, a durao mxima
do treinamento. Se voc tiver selecionado testar automaticamente a
rede ou prever os valores de output ausentes no conjunto de dados,
isso ser feito aps o treinamento.
23
Relatrios de
treinamento
24
Os relatrios de treinamento indicam como foi o desempenho da rede

treinada. Estatsticas como o % Previses Invlidas mostram a
quantidade de casos no treinamento definido para os quais a rede
previu um valor de output diferente do verdadeiro valor conhecido.
Viso geral
Como testar uma rede

Durante a fase de teste, a rede neural treinada usada para verificar a
qualidade da previso de valores de output conhecidos. Geralmente,
os dados usados no teste so um subconjunto de dados histricos com
valores de output conhecidos. Esse subconjunto no usado no
treinamento da rede.
Quando os dados do teste se encontram em um conjunto de dados

separado, o NeuralTools faz a correspondncia das variveis do
conjunto de dados do teste e dos dados de treinamento. Assim como
no caso do treinamento, o NeuralTools mostra a configurao do teste
antes de execut-lo.
25
Relatrios de
teste
26
O teste (juntamente com a previso) bem mais rpido que o

treinamento. O NeuralTools informa qual foi a qualidade da previso
de respostas conhecidas nos dados do teste. Isso ajuda a saber se a
rede far boas previses quando aplicada a caso com valores de
output desconhecidos.
Viso geral
Previso
O objetivo de usar uma rede neural fazer previses. Voc usar uma
rede treinada prever valores em novos casos nos quais os valores de
output so desconhecidos. O NeuralTools oferece dois mtodos de
previso: 1) mtodo de previso de valores baseado em comandos,
para casos contidos em um conjunto de dados; 2) Previso ao Vivo
(somente na verso Industrial), em que os valores das variveis
independentes de determinado caso contido na planilha podem ser
inseridos e o NeuralTools pode ento calcular automaticamente o
valor de output previsto.
A caixa de dilogo Previso ajuda a definir o processo de previso de
valores para um grupo de casos de um conjunto de dados. S
possvel fazer a previso para casos em que faltam valores de output;
opcionalmente, pode-se ativar a Previso ao Vivo para poder
modificar os dados e ver como as mudanas afetam as previses.
Vrias redes treinadas podem ser usadas para avaliar a diferena
entre os valores previstos.
Da mesma forma que no treinamento e no teste, o NeuralTools

primeiro mostra os dados e a configurao que ser usada na
previso. Em seguida, as previses so indicadas na planilha
correspondente no Excel.
27
Resultados de
previso
Os valores de output previstos aparecem ao lado dos casos para os

quais foi efetuada a previso. Na tela abaixo, os valores previstos
aparecem em magenta.
Previso ao Vivo
Quando a Previso ao Vivo est ativada, o NeuralTools acrescenta

automaticamente uma frmula de Excel na clula que contm o valor
previsto. Essa frmula gera o valor previsto, portanto, se os valores
das variveis independentes de um caso especfico forem mudados, o
valor previsto ser automaticamente recalculado. Ao usar a Previso
ao Vivo, basta digitar os dados referentes aos novos casos diretamente
no Excel e gerar uma nova previso automaticamente, sem passar
pela caixa de dilogo Previso. Por exemplo, se os valores das
variveis independentes para o caso da linha 7 da planilha acima
forem alterados conforme indicado, o valor previsto ser atualizado
automaticamente. Da mesma forma que em qualquer clula da
planilha, uma clula de Previso ao Vivo pode ser referenciada em
qualquer frmula do Excel.
(Nota: o recurso de Previso ao Vivo est disponvel apenas na verso

Industrial.)
28
Viso geral
Relatrios e grficos do NeuralTools

O NeuralTools cria relatrios resumidos e relatrios detalhados de
treinamento, teste e previso. Os Relatrios Resumidos aparecem em
suas prprias planilhas e contm informaes gerais sobre o teste ou
treinamento. O Relatrio Detalhado apresenta informaes de cada
caso individualmente, ao lado dos dados correspondentes. Alm
disso, a maioria das informaes do relatrio resumido pode ser
encontrada no relatrio detalhado, na forma de um comentrio que
adicionado clula-ttulo; essa verso do relatrio resumido
denominada Resumo Rpido.
Sempre que o NeuralTools cria um ou mais grficos, eles so

includos nos relatrios. Os grficos so criados em formato Excel e
podem ser personalizados usando-se os comandos padro de grficos
do Excel.
29
Utilidades do NeuralTools
O NeuralTool oferece duas utilidades (ou utilitrios) para ajudar no
gerenciamento da modelagem de redes neurais. O Gerenciador de
Rede Neural permite copiar ou mover redes neurais treinadas de
pastas de trabalho para arquivos, e vice-versa. A utilidade Dados
Ausentes ajuda identificar e corrigir os casos em que faltam dados
nos conjuntos de dados.
Como usar o NeuralTools com StatTools, Solver e

Evolver
O NeuralTools foi projetado para ser usado com o StatTools, o
suplemento de estatstica da Palisade para o Excel. Os dois produtos
usam o mesmo Gerenciador do conjunto de dados; os conjuntos de
dados definidos no NeuralTools podem ser analisados no StatTools, e
vice-versa. Com o StatTools, possvel fazer clculos estatsticos em
variveis de conjuntos de dados definidos no NeuralTools e
estatsticas de previses geradas pelo NeuralTools.
Os Relatrios Detalhados gerados no NeuralTools podem ser
imediatamente analisados no StatTools; eles aparecem
automaticamente na lista de conjuntos de dados do Gerenciador de
Conjunto de Dados do StatTools. Isso facilita o uso do StatTools para
obter resultados estatsticos alm dos apresentados nos Relatrios
Resumidos do NeuralTools. Por exemplo, o Relatrio Resumido de
teste inclui um histograma de diferenas residuais (definidas como as
diferenas entre os valores efetivos e os previstos). Com base no
histograma, as diferenas residuais podem parecer aproximadamente
normalmente distribudas. Para testar a hiptese de distribuio
normal, pode-se aplicar um dos testes de normalidade do StatTools s
variveis residuais no Relatrio Detalhado. Um exemplo disso
fornecido no arquivo Anlise para previso de idade de haliote com
StatTools.xls.
O recurso Previso ao Vivo do NeuralTools facilita averiguar como as
mudanas nos valores independentes afetam a previso. Outras
ferramentas disponveis no Excel podem ser usadas com a Previso ao
Vivo para explorar a relao entre as variveis independentes e a
dependente.
30
Viso geral
Solver, o otimizador integrado do Excel, pode ser usado com o

recurso de Previso Instantnea do NeuralTools para calcular os
melhores valores de deciso para as previses efetuadas no
NeuralTools. O arquivo Crdito automvel com Solver.xls
apresenta um exemplo. No exemplo, usada uma rede neural para
prever se um tomador de emprstimo efetuar os pagamentos
pontualmente. A rede neural, porm, talvez s fornea 60% de certeza
de que a resposta est correta. O Solver do Excel pode, ento, ser
usado para determinar um valor do emprstimo que daria 90% de
certeza de que o indivduo ir pagar pontualmente. Nesse caso, o
otimizador experimenta diferentes valores de emprstimos, e o
NeuralTools atualiza automaticamente o valor da probabilidade.
Evolver, o otimizador da Palisade baseado em algoritmo gentico,
pode ser usado em vez do Solver para encontrar a resposta.
Diferentemente do Solver, o Evolver tem capacidade para processar
problemas de otimizao em que h mais de uma reposta tima local.
31
32
Captulo 3: Guia de Referncia

do NeuralTools
Introduo
35
37
Barra de ferramentas do NeuralTools............................................ 37

39
Introduo......................................................................................... 39
cones nas caixas de dilogo................................................................ 40
Referncia de comandos................................................................. 41
Comando: Gerenciador de Conjunto de Dados............................... 41
Comando: Treinar ................................................................................. 48
Comando: Testar.................................................................................... 61
Comando: Prever ................................................................................... 69
Utilidades .......................................................................................... 75
Comando: Configuraes da aplicao.............................................. 75
Comando: Gerenciador de Rede Neural ........................................... 79
Comando: Utilidades de dados ausentes .......................................... 81
85
33
34
Introduo
O captulo Guia de Referncia do NeuralTools descreve os cones,
comandos e funes estatsticas usados pelo NeuralTools. Este
captulo dividido em duas sees:
1) Referncia: cones do NeuralTools
2) Referncia: Comandos de menu do NeuralTools
35
36
Introduo
Referncia: cones do
NeuralTools
Barra de ferramentas do NeuralTools
Os cones do NeuralTools so usados para definir conjuntos de dados
com casos e variveis e, em seguida, criar e usar redes neurais
baseadas nesses dados. Os cones do NeuralTools aparecem na barra
de ferramentas do Excel (como uma barra de ferramentas
personalizada no Excel), na verso 2003 e anteriores; no Excel 2007,
aparece como uma faixa de opes. Esta seo descreve brevemente
cada cone e as respectivas funes, e os comandos de menu
correspondentes. No Excel 2007 todos os comandos so apresentados
na faixa de opes do NeuralTools.
Os cones a seguir so apresentados na barra de ferramentas do
NeuralTools no Excel 2003 e verses anteriores, ou nas caixas de
dilogo do NeuralTools.
cone
Comandos e funes correspondentes

Definir um conjunto de dados e variveis, ou editar ou
excluir um conjunto de dados e variveis existentes
Comando equivalente: comando Gerenciador de Conjunto de
Dados
Treinar uma rede neural
Comando equivalente: comando Treinar
Testar uma rede neural
Comando equivalente: comando Testar
Prever valores usando uma rede treinada
Comando equivalente: comando Prever
Executar as utilidades da rede neural
Comando equivalente: comando Utilidades
Exibir arquivo de ajuda do NeuralTools
Comando equivalente: comando Ajuda
37
Os cones a seguir aparecem na faixa de opes do NeuralTools no

Excel 2007.
cone
Comandos e funes correspondentes

Definir um conjunto de dados e variveis, ou editar
ou excluir um conjunto de dados e variveis existentes
Comando equivalente: comando Gerenciador de Conjunto de
Dados
Treinar uma rede neural
Comando equivalente: comando Treinar
Testar uma rede neural
Comando equivalente: comando Testar
Prever valores usando uma rede treinada
Comando equivalente: comando Prever
Executar as utilidades da rede neural
Comando equivalente: comando Utilidades
Exibir arquivo de ajuda do NeuralTools
Comando equivalente: comando Ajuda
38
Referncia: Comandos de menu

do NeuralTools
Introduo
Esta seo do Guia de Referncia descreve detalhadamente os
comandos do NeuralTools apresentados no Excel, no menu do
NeuralTools ou na faixa de opes. Os comandos so explicados na
ordem em que aparecem no menu, comeando pelo Gerenciador do
conjunto de dados. Os cones do NeuralTools podem ser usados para
executar vrios comandos. A seo Referncia: cones do
NeuralTools deste captulo apresenta os comandos correspondentes a
cada cone do NeuralTools.
39
cones nas caixas de dilogo

Dois cones podem aparecer nas caixas de dilogo do NeuralTools: o
cone Ajuda e o cone Configuraes da aplicao. O cone Ajuda
permite acessar rapidamente o tpico da Ajuda relacionado caixa de
dilogo em questo. O cone Configuraes da aplicao abre a caixa
de dilogo Configuraes da Aplicao onde voc pode definir ou
editar configuraes para relatrios do NeuralTools, bem como as
configuraes padro de treinamento, previso e tempo de execuo.
40
Introduo
Referncia de comandos
Comando: Gerenciador de Conjunto de Dados
Permite definir conjuntos de dados e variveis do NeuralTools,
ou editar ou excluir conjuntos de dados e variveis existentes
O comando Gerenciador de Conjunto de Dados permite definir
conjuntos de dados com casos e variveis. Depois de definidos, os
conjuntos de dados podem ser usados para treinamento, teste e
previso de redes neurais. A caixa de dilogo Gerenciador de
Conjunto de Dados permite adicionar ou remover conjuntos de
dados, atribuir nomes aos mesmos, especificar o layout e atribuir
nomes s variveis de determinado conjunto de dados.
O que so
conjunto de
dados e
variveis?
No NeuralTools, os dados so estruturados em torno de casos e

variveis. Voc trabalha com um conjunto de dados ou um conjunto
de variveis estatsticas localizadas em colunas contguas em uma
planilha do Excel; os nomes das variveis encontram-se na primeira
linha do conjunto de dados. Cada linha no conjunto de dados um
caso. Cada caso contm um conjunto de valores de variveis
independentes e um valor conhecido ou ausente correspondente
varivel de output dependente.
Cada varivel contida no conjunto de dados tem um nome e um
intervalo de clulas correspondente no Excel. O conjunto de dados
pode incluir vrios blocos de clulas, o que permite colocar dados em
diferentes planilhas de uma mesma pasta de trabalho.
Durante a definio de um conjunto de dados, o NeuralTools tenta
identificar as variveis contidas em um bloco de clulas circundante
seleo feita no Excel. Isso pode acelerar e facilitar a configurao de
um conjunto de dados, com os nomes de variveis na linha superior e
variveis dispostas por coluna.
41
Caixa de dilogo:
Gerenciador de
conjunto de
dados
As opes do Conjunto de dados na caixa de dilogo Gerenciador do

conjunto de dados so:
42
Novo e Excluir para adicionar um novo conjunto de dados

ou excluir um conjunto existente.
Nome especifica o nome do conjunto de dados.
Intervalo do Excel especifica o intervalo do Excel

correspondente ao conjunto de dados. Se vrios intervalos de
clulas tiverem sido designados a um conjunto de dados, este
item ser antecedido pelo rtulo Mltiplos.
Aplicar formatao de clulas acrescenta uma grade e cores

que identificam os conjuntos de dados.
Mltiplos ao clicar no boto Mltiplos, na caixa de dilogo

Gerenciador de Conjunto de Dados, aparece a caixa de
dilogo Seletor de mltiplos intervalos, que permite
especificar intervalos de clulas individuais que formam o
conjunto de dados com mltiplos intervalos de clulas.
Conjuntos de
dados com
mltiplos
intervalos
Importar permite copiar neste conjunto de dados os tipos de

variveis de um outro conjunto de dados ou de uma rede
neural treinada. A caixa de dilogo Importar Tipos de
Variveis permite selecionar o local e a rede para as
definies de variveis.
O NeuralTools permite designar a um conjunto de dados mltiplos

intervalos de clulas de vrias planilhas. Um conjunto de dados com
mltiplos intervalos pode ser usado quando:
1) Cada varivel do conjunto de dados tem mais de 65.636 pontos
de dados em uma planilha do Excel 2003 ou verso anterior,
exigindo que o conjunto de dados seja distribudo em diversas
planilhas de uma mesma pasta de trabalho;
2) Os dados referentes a uma varivel encontram-se em vrios
blocos dispersos em vrias planilhas de uma pasta de trabalho.
Nota: o conjunto de dados com mltiplos intervalos no pode ser
definido dentro de uma nica planilha. Os dados podem ser definidos
em diversas planilhas dentro da mesma pasta de trabalho.
43
As opes da caixa de dilogo Seletor de Mltiplos Intervalos so:
44
Limpar tudo apaga todos os intervalos especificados.
AutoPreenchimento aplica o primeiro intervalo

especificado (na linha 1) em todas as planilhas visveis da
pasta de trabalho ativa, e insere as referncias de
SheetName!CellRange na grade
Selecionar exibe um seletor para destacar um bloco de

clulas a ser usado como um intervalo do conjunto de dados.
Intervalos secundrios tm nomes de variveis na primeira

coluna (linha) conjuntos de dados com mltiplos intervalos
podem ter nomes de variveis como ttulos de cada coluna
em cada intervalo listado na caixa de dilogo; ou nomes de
variveis como ttulos de colunas apenas no primeiro
intervalo selecionado. O primeiro intervalo selecionado o
que foi inserido na linha 1 da caixa de dilogo Seletor de
Mltiplos Intervalos.
Opes de
variveis
Cada linha na grade da caixa de dilogo do Gerenciador de Conjunto

de Dados contm uma lista das variveis do conjunto de dados,
incluindo o Intervalo de dados do Excel com os pontos de dados
referentes a uma varivel, o Nome da varivel e o Tipo de varivel.
As opes de Tipo de varivel so:
Categrica dependente uma varivel dependente ou de

output cujos valores possveis so tomados de um conjunto
de possveis categorias como, por exemplo, Sim ou No, ou
Vermelho, Verde ou Azul.
Numrica dependente uma varivel dependente ou de

output cujos valores possveis so numricos.
Categrica independente uma varivel independente

cujos valores possveis so tomados de um conjuntos de
possveis categorias como, por exemplo, Sim ou No, ou
Vermelho, Verde ou Azul.
Numrica independente uma varivel independente

cujos valores possveis so numricos.
45
Mais informaes
sobre variveis
tag
Tag uma varivel que assume possveis valores de

treinamento, teste ou previso. Esse tipo de varivel
usado para identificar casos de um conjunto de dados a serem
usados para treinamento, teste e previso.
No usada uma varivel de um conjunto de dados que

no ser usada na rede neural.
As variveis tag so um tipo especial de varivel de um conjunto

de dados do NeuralTools, e so usadas para identificar casos de
um conjunto de dados a serem usado para treinamento, teste e
previso. Essas variveis so especialmente teis quando se
deseja incluir todos os dados (a serem usados no treinamento,
teste e previses da rede) em um nico conjunto de dados.
Quando se tem uma varivel tag, o NeuralTools seleciona os
casos a serem usados para o treinamento, teste ou previso com
base no valor dessa varivel. Mudando os valores da varivel tag
possvel retreinar a rede usando diferentes casos e avaliando as
mudanas correspondentes no desempenho. Voc tambm pode
acrescentar novos casos com valores desconhecidos de variveis
dependentes a um conjunto de dados e design-los para que
sejam previstos usando a guia Prever. A varivel tag pode
assumir somente trs valores:
Treinamento especifica que o caso ser usado para
treinamento
Teste especifica que o caso ser usado para teste
Previso especifica que o caso ser usado para previso
Nota: quando h uma varivel tag no conjunto de dados, as opes
na caixa de dilogo Treinamento mudam. Veja o comando
Treinamento para obter mais informaes.
46
Capacidade em
termos de
conjunto de
dados e variveis
O NeuralTools tem capacidade para processar, em uma mesma

sesso:
At 256 conjuntos de dados contidos em uma mesma pasta de

trabalho.
At 16384 variveis para cada conjunto de dados do Excel

2007 (256 variveis nas verses anteriores). Todos os dados
usados em um conjunto de dados precisam estar na mesma
pasta de trabalho.
O nmero de pontos de dados por varivel e de casos por

conjunto de dados limita-se somente memria disponvel no
Excel 2007 (16.277.216 pontos de dados nas verses anteriores
do Excel).
A capacidade efetiva no que se refere aos dados pode ser inferior

indicadas acima, dependendo da configurao do sistema e da verso
do Excel que est sendo usada. As limitaes de memria do Excel
tambm podem afetar a capacidade em termos do volume de dados.
Nota: a caixa de dilogo Gerenciador do conjunto de dados relaciona
todos os conjuntos de dados e variveis contidos na pasta de
trabalho ativa (ou seja, a pasta de trabalho indicada na legenda da
caixa de dilogo). Para incluir na lista conjuntos de dados contidos
em outras pasta de trabalho, ative a pasta de trabalho desejada no
Excel e exiba a caixa de dilogo Gerenciador de Conjunto de Dados.
47
Comando: Treinar
Especifica as definies para o treinamento de uma rede neural
e executa o treinamento.
O comando Treinar permite 1) especificar as definies a serem
usadas pelo NeuralTools no treinamento de uma rede neural e
2) iniciar o treinamento da rede.
Guia:
Treinamento
48
A guia Treinar na caixa de dilogo Treinamento especifica as opes

gerais para o treinamento de uma rede neural. Ela inclui:
Conjunto de Dados mostra o conjunto de dados a ser usado

para treinar a rede neural. Este conjunto de dados deve ser
definido por meio do Gerenciador do conjunto de dados e
deve constar na planilha ativa.
Salvar rede como especifica o nome e local da rede neural a

ser treinada. As redes neurais podem ser salvas em uma pasta
de trabalho do Excel ou em um arquivo em disco. Clique em
Procurar... para mudar o nome ou o local indicado.
Voc tambm pode incluir um nome e uma descrio da rede

neural a ser salva.
As opes Aps o treinamento ser concludo permitem testar e
prever automaticamente usando a rede treinada aps o
treinamento. Isso pode ser feito quando os dados a serem testados
e previstos se encontram no mesmo conjunto de dados que os
dados de treinamento.
Testar automaticamente em casos aleatoriamente

selecionados especifica:
1)
a porcentagem dos casos no conjunto de dados que

ser excluda do treinamento para poder ser usada
nos testes;
2)
casos em que a varivel Tag = testar ser usada

para testes. Varivel tag um tipo de varivel
conforme especificada no Gerenciador do conjunto de
dados.
Prever automaticamente valores dependentes ausentes

especifica que a rede treinada ser usada para prever
valores de variveis dependentes para:
1)
casos em que o valor de uma varivel dependente

est faltando; ou
2)
casos em que varivel Tag = prever. Varivel tag

um tipo de varivel conforme especificada no
Gerenciador do conjunto de dados.
49
O que anlise de
impacto de
variveis?
50
Ativar Previso ao Vivo especifica que o NeuralTools

colocar frmulas nas clulas em que os valores de
variveis dependentes previstos so mostrados para
calcular os valores previstos. Para obter mais informaes
sobre a Previso ao Vivo, veja o comando Prever, neste
captulo.
Calcular impacto das variveis especifica que o

NeuralTools calcular o impacto relativo de cada varivel
independente no conjunto de dados de treinamento ao
estabelecer as previses calculadas pela rede.
A finalidade da anlise do Impacto de variveis medir a

sensibilidade das previses da rede a mudanas nas variveis
independentes. Esta anlise feita somente para os dados de
treinamento. Como resultado da anlise, atribudo um valor de
Impacto relativo da varivel a cada varivel independente. Esses
valores so percentuais e sua soma total 100%. Quanto mais baixo o
valor de uma determinada varivel, menor o seu efeito sobre as
previses. Os resultados da anlise podem auxiliar na seleo de um
novo conjunto de variveis independentes, ou seja, um conjunto que
produzir previses mais exatas. Por exemplo, uma varivel com
baixo valor de impacto pode ser eliminada em favor de uma nova
varivel. Contudo, necessrio estar ciente de que os resultados da
Anlise de Impacto so relativos a uma determinada rede. O fato de
uma rede ter aprendido a ignorar uma determinada varivel torna
provvel que outra rede tambm aprender a ignor-la, porm, uma
outra sesso de treinamento com outro tipo de rede poderia
descobrir como essa varivel pode ter uma contribuio importante
para obter previses exatas. Em conjuntos de dados com menor
quantidade de casos e/ou maior quantidade de variveis, as
diferenas no impacto relativo das variveis entre as redes treinadas
podem ser mais pronunciadas. importante lembrar que esses
valores so relativos. Suponha que haja duas variveis
independentes: uma para a qual foi atribudo o valor de 99% e a outra
com o valor de 1%. Isso significa que a segunda varivel muito
menos importante que a primeira, porm no significa que ela seja
desprezvel, principalmente quando se desejam previses de alta
exatido.
Outros aspectos importantes da anlise de impacto de variveis:

1) Somente o conjunto de dados de treinamento includo na
anlise. (Se forem usados os recursos de Teste Automtico e
Previso Automtica, os respectivos casos no sero includos.
Isso se d porque eles poderiam ter valores numricos fora do
intervalo de treinamento, podendo tornar os resultados da anlise
mais imprevisveis.)
2) No que se refere a uma dada varivel categrica independente,
em cada caso a anlise percorre todas as categorias vlidas para a
varivel em questo e mede a mudana no valor previsto. (Na
previso de categoria, no h valor numrico previsto, mas h
outputs numricos brutos da rede nos quais a previso da
categoria baseada; esses outputs numricos so usados pela
anlise.)
3) No que se refere a uma dada varivel numrica independente, em
cada caso a anlise percorre o intervalo do valor mnimo ao valor
mximo da varivel, medindo a mudana no valor previsto (ou,
no caso de uma previso de categoria, a mudana nos outputs
numricos brutos).
A finalidade da anlise de impacto da varivel no apoiar
concluses definitivas como afirmar, com elevada confiana, que uma
determinada varivel irrelevante. Em vez disso, ela tem o propsito
de ajudar na busca do melhor conjunto de variveis independentes: os
resultados da anlise podem informar que uma determinvel varivel
parece irrelevante, a ponto de valer a pena treinar uma rede sem essa
varivel.
51
Os resultados da anlise de impacto de variveis so exibidos no

relatrio Resumo de Treinamento:
52
Guia:
Configurao
da rede
A guia Configurao da rede, na caixa de dilogo Treinamento,

permite selecionar o tipo de rede neural que ser treinada usando os
seus dados. Voc pode selecionar uma configurao de rede especfica
ou a busca da Melhor Rede e, neste caso, o NeuralTools testa uma
variedade de possveis configuraes at identificar a que apresenta o
melhor desempenho.
O NeuralTools aceita diferentes configuraes de redes neurais para
oferecer as melhores previses possveis. H dois tipos de redes
disponveis para a previso de classificao/categoria: Redes Neurais
Probabilsticas (PNN) e Rede Multi-Layer Feedforward (MLF). A
previso numrica pode ser realizada usando redes MLF, assim como
Redes Neurais de Regresso Generalizada (GRNN), que so
estreitamente relacionadas s redes PNN. Para obter mais
informaes sobre os aspectos tcnicos das configuraes de rede
disponveis, veja a seo Mais informaes sobre redes neurais.
53
A guia Configurao da rede inclui:

Tipo de rede seleciona o tipo de rede a ser usado no
treinamento ou a busca da Melhor Rede. A guia Opes da
configurao de rede muda dependendo do tipo de rede
selecionada. Tipos de rede disponveis:
54
1)
Busca da Melhor Rede. Na Busca da Melhor Rede, o

NeuralTools testa todas as configuraes de rede
selecionadas, inclusive as redes PNN/GRNN e MLFN
com nmero de ns dentro do intervalo mnimo-mximo
especificado. A configurao para o melhor desempenho
dos seus dados identificada com base no erro obtido nos
dados de teste. Se for selecionada a opo Armazenar
todas as redes de teste em nova pasta de trabalho, voc
poder carregar individualmente cada rede testada
(independentemente de ter sido a rede com melhor
desempenho) de uma pasta de trabalho e us-la para
previso depois de realizar o treinamento; ser gerado
um Relatrio Resumido completo do teste de cada rede.
2)
Rede PNN/GRNN. Esses tipos de rede no exigem a

seleo de opes adicionais para o treinamento; por este
motivo, essa configurao padro durante a instalao
do NeuralTools. Se os seus dados tiverem valores de
output numricos, ser feito o treinamento de uma rede
GRNN; no caso de dados com valores de output
categricos, ser treinada uma rede PNN.
3)
Rede MLFN. A Rede Multi-Layer Feedforward (MLFN)

tem uma ou duas camadas de ns ocultas.
Ao selecionar zero ns para a segunda camada, ela

eliminada. A forma mais confivel de encontrar a melhor
configurao de uma rede MLFN usar a opo Busca da
Melhor Rede, em vez de treinar uma nica rede MLFN.
Se no houver tempo suficiente para a Busca da Melhor
Rede, recomendamos deixar os valores Nmero de ns
como Automtico.
Guia: Tempo de
execuo
A guia Tempo de execuo, na caixa de dilogo Treinamento,

permite especificar as condies de parada do treinamento. Se no
forem selecionadas condies de parada, o treinamento ser
encerrado em determinado momento. Esse intervalo de tempo
relativamente curto no caso de redes PNN/GRNN' bem mais longo
no caso de redes MLF. Uma alternativa possvel no selecionar as
condies de parada e clicar no boto Parar, na caixa de dilogo do
andamento do treinamento, quando no houver mais tempo para o
treinamento. Com a Busca da Melhor Rede, necessrio definir o
tempo limite para o treinamento de uma rede individual, para que o
algoritmo de busca no gaste muito tempo em uma nica
configurao. As trs condies de parada podem ser combinadas,
assim o NeuralTools pra quando ocorre uma das condies.
As opes de Tempo de Execuo de Treinamento so:

Durao especifica um tempo limite fixo para o treinamento
de uma rede individual. O treinamento pode ser suspenso
antes de decorrido o tempo especificado, o que ocorre assim
que o algoritmo conclui que improvvel que continue a haver
melhora. Se for usada a Busca da Melhor Rede, cada
configurao de rede testada ser treinada durante o tempo
especificado.
55
Tentativas especifica que o NeuralTools no executar mais

do que o nmero de tentativas especificado. No caso de redes
Multi-Layer Feedforward, tentativa uma atribuio simples
de pesos s conexes entre neurnios; o treinamento consiste
na busca inteligente dos pesos que produziro os melhores
resultados. No caso de Rede Neural Probabilstica e Rede
Neural de Regresso Generalizada, tentativa uma atribuio
de fatores de suavizao s variveis. O treinamento consiste
na busca dos melhores fatores de suavizao.
Andamento especifica que o NeuralTools parar se no
puder melhorar a estatstica de erros pelo menos na
porcentagem especificada dentro do intervalo de tempo
definido.
Caixa de dilogo:
Viso geral de
treinamento
56
A caixa de dilogo Viso Geral de Treinamento mostra, antes do

incio do treinamento, a configurao de treinamento da rede atual e
todos os erros detectados nos dados a serem usados. Confira nesta
caixa todas as pressuposies de treinamento que voc selecionou,
segundo informadas pelo NeuralTools. A seo de Erros e avisos
apresenta uma descrio de todos os problemas que o NeuralTools
detectou com relao aos dados ou configuraes, e que podem ser
corrigidos antes de iniciar o treinamento, para no perder tempo.
Janela:
Andamento do
treinamento
A janela Andamento do treinamento informa o status do treinamento

da rede durante a execuo. O grfico apresenta detalhes do
desempenho do NeuralTools em melhorar a rede e reduzir o erro
relatado.
A janela de andamento do treinamento informa sobre erros nos dados
de treinamento. A observao de mudanas nestes valores no deve
levar a nenhuma concluso direta sobre a qualidade das previses
que a rede far com relao aos casos que no foram usados no
treinamento. Esse tipo de concluso deve se basear no erro obtido nos
dados de teste. Observe, ainda, que na previso numrica, o erro
indicado na janela de andamento o erro mdio quadrtico baseado
em dados em escala (veja mais informaes sobre escalas na seo
Transformao de input). Na previso categrica, o erro indicado
baseado na representao numrica dos dados de categoria.
57
Relatrios de
treinamento
Aps o treinamento, podem ser criados relatrios resumidos e

detalhados. Esses relatrios detalham o desempenho da rede neural
treinada. O contedo efetivo dos relatrios gerados especificado na
caixa de dilogo Configuraes da aplicao, abaixo das
configuraes de Relatrios a Gerar e Colunas nos Relatrios
Detalhados.
Relatrio resumido de treinamento o relatrio resumido de
treinamento contm estatsticas e grficos relacionados ao
desempenho da rede neural treinada.
58
Para a previso de classificao/categoria, as principais estatsticas e

grficos contidos no relatrio resumido de treinamento so:
1)
% previses inadequadas porcentagem dos casos em que a

categoria prevista no corresponde categoria efetiva.
2)
Probabilidade mdia incorreta (disponvel somente em redes

PNN) em cada caso, o NeuralTools calcula a probabilidade
de categorias incorretas, que a soma das probabilidades
atribudas pela rede PNN s categorias incorretas. Por
exemplo, se em determinado caso a rede atribuir uma
probabilidade de 30% ao vermelho, 20% ao amarelo e 50% ao
verde, e se soubermos que a resposta correta vermelho,
ento o valor para o caso em questo 20% + 50% = 70%. Esse
valor fornece uma medida de erro da previso de categoria
para cada caso individual, correspondendo ao Erro Residual
da previso numrica. Probabilidade mdia incorreta o
valor mdio de erro correspondente a todos os casos.
Os Relatrios Detalhados mostram a Probabilidade Incorreta
para cada caso individual. Para compreender melhor este
conceito, pode ser til mudar as definies do Relatrio
Detalhado de modo a mostrar as probabilidades atribudas
por uma Rede Neural Probabilstica a cada categoria possvel
de uma varivel dependente. Para fazer isso, selecione
Configuraes da aplicao no menu Utilidades e clique no
menu suspenso, direita da linha Colunas nos Relatrios
Detalhados. Ser exibida a caixa de dilogo NeuralTools
Colunas a Exibir em Relatrios Detalhados. Nessa caixa de
dilogo, selecione Probabilidades de todas as categorias
(para PNN) para os testes. A seguir, treine uma rede PN com
um conjunto de dados que contenha no mnimo 3 categorias
na varivel dependente (pode ser usado o arquivo de
exemplo Crdito automvel.xls) e com a opo Testar
automaticamente selecionada. No Relatrio Detalhado
resultante, observe como os valores na coluna %Incorreta se
relacionam s probabilidades atribudas a cada categoria
possvel; %Incorreta a soma das probabilidades de todas as
categorias incorretas.
3)
Matriz de classificao compara as categorias efetivas s

categorias previstas de cada categoria. Por exemplo, a matriz
de classificao pode revelar que uma rede detecta
corretamente uma condio mdica em pacientes portadores
de determinada condio, mas que a rede tem a tendncia de
emitir alarmes falsos no caso de pacientes sadios.
59
4)
Impactos das variveis (quando selecionado) exibe o

impacto relativo das variveis independentes nas respostas
previstas.
5)
Histograma de probabilidade de categorias incorretas

(disponvel somente para redes PNN) veja em
Probabilidade mdia incorreta, acima, uma explicao
sobre Probabilidade de categorias incorretas.
Para a previso numrica, as principais estatsticas e grficos do

relatrio resumido de treinamento incluem:
60
1)
% previses inadequadas uma previso considerada

invlida se estiver fora da margem definida em torno do
valor efetivo; a amplitude da margem definida pela
configurao de Tolerncia adequada/inadequada
(Treinamento) na caixa de dilogo Configuraes da
aplicao
2)
Erro mdio quadrtico medida do desvio das previses em

relao ao valor efetivo (calculada como a raiz quadrada do
desvio quadrtico mdio).
3)
Erro mdio absoluto desvio mdio das previses em

relao aos valores efetivos.
4)
Impactos das variveis (quando selecionado) exibe o

impacto relativo das variveis independentes nas respostas
previstas.
5)
Histograma de residuais residual a diferena entre o

valor efetivo e o valor previsto.
6)
Grficos de disperso que mostram as relaes entre os

valores efetivos, previstos e residuais.
Comando: Testar
Especifica as definies para o treinamento de uma rede neural
e executa o teste.
O comando Teste permite 1) especificar as definies a serem usadas
para o teste de uma rede neural e 2) iniciar o teste.
Os dados de teste geralmente so dados com valores conhecidos de

output que no foram usados no treinamento da rede. As opes da
caixa de dilogo Teste incluem:
Conjunto de dados mostra o conjunto de dados a ser usado

para testar a rede neural treinada. Este conjunto de dados
precisa ser definido por meio do Gerenciador do conjunto de
dados e constar na planilha ativa.
Rede a usar especifica o nome e o local da rede neural a ser

testada. As redes neurais podem ser salvas em uma pasta de
trabalho do Excel ou em um arquivo em disco. Clique em
Procurar... para mudar o nome ou o local indicado.
61
Correspondncia
entre variveis
Correspondncia entre variveis especifica como ser estabelecida a

correspondncia entre as variveis do conjunto de dados a ser testado
e as variveis do conjunto de dados usado para treinar a rede.
H duas opes possveis de correspondncia entre variveis:
62
1)
Correspondncia automtica. estabelecida a

correspondncia entre os nomes das variveis do
conjunto de dados de teste e os das variveis do conjunto
de dados da rede treinada. Os tipos de variveis so
definidos baseados nessa correspondncia.
2)
Correspondncia personalizada. A correspondncia

personalizada permite estabelecer individualmente a
correspondncia entre as variveis do conjunto do dados
de teste e as do conjunto de dados da rede treinada. Isso
feito quando os nomes das variveis dos dois conjuntos
de dados so diferentes ou quando se desejam atribuies
diferentes.
A caixa de dilogo Correspondncia entre Variveis apresenta uma

lista dos nomes das variveis de cada conjunto, para que se possa
estabelecer a correspondncia. A correspondncia s pode ser
estabelecida entre variveis do mesmo tipo. Cada vez que
estabelecida uma correspondncia, as atribuies feitas so
armazenadas com o conjunto de dados. Ao clicar em Carregar a
correspondncia anterior, voc pode ver as correspondncias feitas
anteriormente e acessar um conjunto de atribuies anteriores para o
conjunto de dados.
Caixa de dilogo:
Viso geral de
teste
A caixa de dilogo Viso Geral de Teste mostra, antes do incio do

treinamento, a configurao de treinamento da rede atual e todos os
erros detectados nos dados a serem usados. Confira nesta caixa todas
as pressuposies de teste que voc selecionou, segundo informadas
pelo NeuralTools. A seo de Erros e avisos apresenta uma descrio
de todos os problemas que o NeuralTools detectou com relao aos
dados que podem ser corrigidos antes de iniciar o teste.
63
Relatrios de
teste
Aps o teste, podem ser criados relatrios resumidos e detalhados.

Esses relatrios detalham o desempenho da rede neural treinada com
o conjunto de dados usado no teste. O contedo efetivo dos relatrios
gerados especificado na caixa de dilogo Configuraes da
aplicao, abaixo das configuraes de Relatrios a Gerar e Colunas
nos Relatrios Detalhados. O relatrio detalhado especialmente til
ao efetuar testes, porque indica como foi o desempenho da rede
treinada na previso dos valores individuais de output com o
conjunto de dados testados.
Relatrio resumido de teste o relatrio resumido de teste
fornece estatsticas e grficos sobre o desempenho da rede
neural treinada com o conjunto de dados de teste.
64
Para a previso de categoria as principais estatsticas e grficos no

relatrio resumido de teste so:
1) % previses invlidas porcentagem dos casos em que a
categoria prevista no corresponde categoria efetiva.
2) Probabilidade mdia incorreta (disponvel somente em redes
PNN) em cada caso, o NeuralTools calcula a probabilidade
de categorias incorretas, que a soma das probabilidades
atribudas pela rede PNN s categorias incorretas. Por
exemplo, se em determinado caso a rede atribuir uma
probabilidade de 30% ao vermelho, 20% ao amarelo e 50% ao
verde, e se soubermos que a resposta correta vermelho,
ento o valor para o caso em questo 20% + 50% = 70%. Esse
valor fornece uma medida de erro da previso de categoria
para cada caso individual, correspondendo ao Erro Residual
da previso numrica. Probabilidade mdia incorreta o
valor mdio de erro correspondente a todos os casos.
Os Relatrios Detalhados mostram a Probabilidade Incorreta
para cada caso individual. Para compreender melhor este
conceito, pode ser til mudar as definies do Relatrio
Detalhado de modo a mostrar as probabilidades atribudas
por uma Rede Neural Probabilstica a cada categoria possvel
de uma varivel dependente. Para fazer isso, selecione
Configuraes da aplicao no menu Utilidades e clique no
menu suspenso, direita da linha Colunas nos Relatrios
Detalhados. Ser exibida a caixa de dilogo NeuralTools
Colunas a Exibir em Relatrios Detalhados. Nessa caixa de
dilogo, selecione Probabilidades de todas as categorias
(para PNN) para os testes. A seguir, treine uma rede PN com
um conjunto de dados que contenha no mnimo 3 categorias
na varivel dependente (pode ser usado o arquivo do
exemplo Crdito automvel.xls) e com a opo Testar
automaticamente selecionada. No Relatrio Detalhado
resultante, observe como os valores na coluna %Incorreta se
relacionam s probabilidades atribudas a cada categoria
possvel; %Incorreta a soma das probabilidades de todas as
categorias incorretas.
3) Matriz de Classificao compara as categorias efetivas s
categorias previstas de cada categoria. Por exemplo, a matriz
de classificao pode revelar que uma rede detecta
corretamente uma condio mdica em pacientes portadores
de determinada condio, mas que a rede tem a tendncia de
emitir alarmes falsos no caso de pacientes sadios.
65
4) Histograma de probabilidade de categorias incorretas

(disponvel somente para redes PNN) veja em
Probabilidade mdia incorreta, acima, uma explicao
sobre Probabilidade de categorias incorretas.
Para a previso numrica as principais estatsticas e grficos do
relatrio resumido de teste incluem:
1) % previses inadequadas uma previso considerada
invlida se estiver fora da margem definida em torno do
valor efetivo; a amplitude da margem definida pela
configurao de Tolerncia adequada/inadequada (Teste)
na caixa de dilogo Configuraes da aplicao.
2) Erro mdio quadrtico medida do desvio das previses em
relao ao valor efetivo (calculada como a raiz quadrada do
desvio quadrtico mdio).
3) Erro mdio absoluto desvio mdio das previses em
relao aos valores efetivos.
4) Histograma de residuais residual a diferena entre o
valor efetivo e o previsto.
5) Grficos de disperso que mostram as relaes entre os
valores efetivos, previstos e residuais.
66
Relatrio Detalhado de Teste. Esse relatrio se encontra

prximo ao conjunto de dados do teste e indica como foi o
desempenho da rede treinada na previso dos valores
individuais de output com esse conjunto.
No Relatrio Detalhado de Teste, as previses so marcadas como

Adequadas ou Inadequadas, de acordo com o nvel de tolerncia
definido na caixa de dilogo Configuraes da aplicao. Ao
executar vrios testes, voc pode acrescentar Relatrios Detalhados
em novas colunas direita do conjunto de dados de teste, para poder
ver como as previses mudam em cada caso individual medida que
novas redes so testadas.
67
Resumos rpidos
em relatrios
detalhados
68
Uma janela tipo pop-up do Excel, com um comentrio, oferece rpido

acesso s informaes do Relatrio Resumido durante o exame de um
Relatrio Detalhado. Basta rolar o mouse sobre o cabealho do
relatrio e o comentrio ser exibido. Nota: para serem exibidos, os
comentrios devem ser ativados na guia Exibir da caixa de dilogo
Opes do comando Ferramentas do Excel.
Comando: Prever
Especifica as definies da previso de valores usando uma
rede neural treinada e executa a previso
O comando Prever permite 1) especificar as definies da previso de
valores usando uma rede neural treinada e 2) executar a previso.
Os dados a serem previstos geralmente so casos com valores de

variveis dependentes desconhecidos. As opes da caixa de dilogo
Previso incluem:
Conjunto de dados mostra o conjunto de dados a ser usado

para a previso. Este conjunto de dados deve ser definido por
meio do Gerenciador do conjunto de dados e deve constar na
planilha ativa.
Rede a usar especifica o nome e o local da rede neural a ser

usada para a previso. As redes neurais podem ser salvas em
uma pasta de trabalho do Excel ou em um arquivo em disco.
Clique em Procurar... para mudar o nome ou o local indicado.
Correspondncia entre variveis especifica como ser

estabelecida a correspondncia entre as variveis do conjunto
de dados a ser testado e as variveis do conjunto de dados
usado para treinar a rede. Clique em Editar... para mudar a
correspondncia entre variveis. Para obter mais informaes
sobre como usar Correspondncia entre variveis, consulte o
comando Teste neste captulo.
69
70
Previso para seleciona os casos para os quais sero feitas as

previses. Geralmente so selecionados casos de previso
com Casos com valores dependentes faltando, mas, se
desejado, possvel fazer previses para Todos os casos
(mesmo os casos em que o valor da varivel dependente
conhecido). Se houver uma varivel tag no conjunto de
dados, os valores da varivel dependente sero previstos
somente para os casos assinalados com a tag previso.
Opes define o local do valor previsto e as opes da

Previso ao Vivo.
1)
Colocar valores previstos direto no conjunto de dados.

Esta opo especifica que, em cada caso previsto, os
valores previstos sero colocados diretamente no local
da varivel dependente no conjunto de dados,
possivelmente alm de serem colocados no Relatrio
Detalhado (dependendo de os Relatrios Detalhados
estarem selecionados na definio de Relatrios a gerar,
nas Configuraes da aplicao.) Isso sobrescreve todo o
contedo atual da clula e, por este motivo, deve ser
usado com cautela. Os valores previstos podem ser
identificados pela cor que aparecem no conjunto de
dados.
2)
Ativar Previso ao Vivo especifica que o NeuralTools

colocar frmulas nas clulas em que os valores de
variveis dependentes previstos so mostrados. Estas
frmulas permitem que o NeuralTools calcule os valores
previstos medida que os valores independentes
mudam.
3)
Excluir Previso ao Vivo para casos com valores

invlidos ou ausentes especifica que no ser includa
uma frmula de previso ao vivo nos casos em que os
valores de input das variveis estiverem faltando.
Valores de input ausentes fazem com que as frmulas da
previso ao vivo retornem um valor de erro. Contudo,
nos casos com valores independentes ausentes, pode ser
til permitir que o NeuralTools insira frmulas, porque
assim que os valores ausentes so preenchidos, a
previso aparece automaticamente.
Previso ao Vivo
Este recurso s oferecido na verso Industrial. A Previso

ao Vivo um recurso avanado que permite realizar
previses automaticamente no Excel, sem passar por uma
operao de previso especfica. Com a Previso ao Vivo, o
NeuralTools coloca frmulas nas clulas em que os valores
previstos de variveis dependentes so mostrados. Essas
frmulas usam uma funo personalizada do NeuralTools
para calcular os valores previstos, como, por exemplo:
=NetOutputPrediction(_PALDS_DG25B8C82B!$A$140;
DG25B8C82B; VG1DD83AF2; 'Dados de
previso'!$A$6:$I$6; A7:I7)
A frmula, propriamente dita, acrescentada na planilha pelo
NeuralTools, no necessrio digit-la. Os argumentos
permitem ao NeuralTools identificar a rede treinada que est
sendo usado, assim como o local dos valores independentes
na planilha. Quando os valores de input das variveis
independentes de um caso so acrescentados ou modificados,
um novo valor automaticamente previsto pelo NeuralTools.
Isso simplifica acrescentar e gerar previses em novos casos
usando uma rede treinada existente.
Nota: se a previso for baseada em valores de clulas em
relao aos quais no se espera que haver mudanas,
recomenda-se cancelar a seleo da Previso Instantnea na
caixa de dilogo de previso; isso minimizar o tempo que
leva para o Excel recalcular a pasta de trabalho.
71
Caixa de dilogo:
Viso geral de
previso
72
A caixa de dilogo Viso Geral de Previso mostra a configurao de

previso para o conjunto de dados selecionado, assim como quaisquer
erros detectados em seus dados ou configuraes antes do incio da
previso. Ao examinar o contedo dessa caixa, pode-se ver todas as
suposies de previso selecionadas, segundo relatadas pelo
NeuralTools. A seo de Erros e avisos oferece uma descrio de
todos os problemas que o NeuralTools detectou com os seus dados ou
configuraes, os quais podem ser corrigidos antes de se fazer
previses.
Relatrios de
previso
Aps a previso, podem ser criados relatrios resumidos e

detalhados. Esses relatrios detalham o desempenho da rede neural
treinada com o conjunto de dados usado no teste. O contedo efetivo
dos relatrios gerados especificado na caixa de dilogo
Configuraes da aplicao, abaixo das configuraes de Relatrios a
gerar e Colunas nos relatrios detalhados.
Relatrio detalhado de previso. Este relatrio colocado ao
lado do conjunto de dados usado na previso. Ele fornece um
local para as previses quando o usurio no desejar coloc-las
dentro da varivel dependente, no prprio conjunto de dados;
se a varivel dependente contiver dados histricos para
determinados casos, talvez seja mais seguro no misturar esses
casos histricos com as previses da rede.
Ao executar vrias previses, voc pode acrescentar Relatrios

Detalhados em novas colunas direita do conjunto de dados, para
poder ver como as previses mudam nos casos individuais medida
que so usadas novas redes treinadas.
73
74
Utilidades
Comando: Configuraes da aplicao
Especificam as configuraes dos relatrios de treinamento,
testes e previses
O comando Configuraes da aplicao permite selecionar 1) os
relatrios de treinamento, teste e previso a serem gerados; 2) os
padres de treinamento a serem usados; 3) os padres de previso e
tempo de execuo a serem usados. Muitas Configuraes da
aplicao so definies-padro que so usadas nas caixas de dilogo
do treinamento, teste ou previso. Veja a descrio das caixas de
dilogo para obter mais informaes sobre essas configuraes. Nesta
seo abordamos outras configuraes.
75
Relatrios
As configuraes de relatrios incluem:

Relatrios a gerar cada operao realizada no NeuralTools
pode produzir um relatrio resumido e um relatrio detalhado.
Contudo, de modo geral sugerimos usar a configurao de
relatrio padro, j que outros relatrios acrescentam muito
pouco a certas operaes. Por exemplo: o relatrio detalhado
o relatrio padro da operao de Previso; nesse caso, um
relatrio Resumido no acrescenta muito mais.
Os Relatrios Resumidos so colocados em sua prpria

planilha, ao passo que os Relatrios Detalhados so colocados
em colunas, direita do conjunto de dados, na mesma planilha
que o conjunto.
As opes Colocar relatrios resumidos em incluem:
-
Nova planilha cria uma nova planilha para cada

relatrio. Voc pode usar novamente a mesma pasta de
trabalho para os relatrios ou sempre criar uma nova
pasta.
As opes de Local do relatrio detalhado incluem:
76
Sobrescrever relatrios existentes com esta opo, as

colunas com dados de Relatrios Detalhados anteriores
de um conjunto de dados so sobrescritas com novos
Relatrios Detalhados (para excluir manualmente um
Relatrio Detalhado, selecione todas as colunas que o
contm clicando e arrastando sobre os ttulos das colunas
e, a seguir, selecione Excluir, no menu Editar).
direita do conjunto de dados com esta opo, novas

colunas so inseridas direita do conjunto de dados, para
conter os novos Relatrios Detalhados.
direita dos relatrios existentes com esta opo,

novas colunas so inseridas direita do conjunto de
dados e relatrios existentes, para conter os novos
Relatrios Detalhados.
Utilidades
Colunas a exibir em relatrios detalhados. Para cada linha

selecionada, exibida uma nova coluna no Relatrio Detalhado
direita do conjunto de dados que apresentar as informaes
de cada caso.
As seguintes colunas podem ser exibidas:

1)
Tag usada so exibidas tags de treinamento, teste e

previso correspondentes a cada caso, se foram usadas
como parte do conjunto de treinamento ou teste ou se foi
feita previso para um caso especfico.
2)
Previso obtida usando rede nmero ou categoria

prevista pela rede.
3)
Probabilidade da categoria prevista (para PNN) alm

de prever uma categoria desconhecida, as redes neurais
probabilsticas atribuem uma probabilidade mesma.
Este recurso no est disponvel quando as categorias so
previstas usando Redes Multi-Layer Feedforward. Isto
tambm no se aplica previso numrica.
4)
Probabilidade de categorias incorretas (para PNN)

soma das probabilidades atribudas pela rede PNN a
categorias incorretas. Por exemplo, se em um
determinado caso a rede atribuir uma probabilidade de
30% ao vermelho, 20% ao amarelo e 50% ao verde, e se
soubermos que a resposta correta vermelho, ento o
valor para o caso em questo 20% + 50% = 70%. Esse
valor fornece uma medida de erro da previso de
categoria para cada caso individual, correspondendo ao
Erro Residual da previso numrica.
5)
Erro residual a diferena entre o valor efetivo e o valor

dependente previsto. No se aplica previso de
categorias.
77
6)
Avaliao adequada/inadequada no caso da previso

numrica, a coluna informa se a previso referente a
determinado caso est fora da margem definida em torno
do valor efetivo; a amplitude da margem definida como
Tolerncia adequada/inadequada. No caso da previso
de categoria, a coluna simplesmente informa se a
categoria prevista corresponde categoria efetiva.
7)
Probabilidades de todas as categorias (para PNN)

quando esta opo for selecionada e existir uma Rede
Neural Probabilstica treinada, ser inserida uma coluna
para cada categoria dependente. Por exemplo, se a rede
for usada para prever uma cor, poder haver colunas
intituladas %vermelho, %amarelo e %verde que
contm as probabilidades atribudas a cada uma dessas
cores.
Tolerncia adequada/inadequada Em casos de teste e

treinamento, se a previso numrica estiver dentro da
porcentagem especificada do valor efetivo da varivel
dependente, ela ser indicada como Adequada.
78
Utilidades
Comando: Gerenciador de Rede Neural

Permite copiar, mover e excluir redes neurais treinadas
O comando Gerenciador de Rede Neural permite gerenciar redes
neurais treinadas, mov-las entre pastas de trabalho e arquivos, e
adicionar informaes descritivas s redes.
As redes neurais podem ser armazenadas em uma pasta de trabalho

do Excel ou em um arquivo em disco. No h limite para o nmero de
redes que pode ser colocado em uma mesma pasta de trabalho do
Excel. Com o Gerenciador de Rede Neural, possvel mover redes
para novas pastas de trabalho ou arquivos, ou exclu-las ou substitulas. Isso permite analisar facilmente os conjuntos de dados em outras
pastas de trabalho usando redes treinadas existentes, sem a pasta de
trabalho que contm os dados de treinamento.
79
As opes do Gerenciador de Rede Neural incluem:

Copiar copia em outro local uma rede neural treinada. Basta
selecionar a pasta de trabalho ou arquivo em que deseja colocar
a rede.
Remover exclui uma rede neural treinada.

Substituir substitui uma rede neural treinada por uma nova
rede. Este recurso est disponvel para redes usadas para
Previso ao Vivo. Aps a substituio, as previses ao vivo
efetuadas anteriormente usando a rede antiga sero feitas
utilizando a nova rede. Contudo, isso no se aplica aos
Relatrios Detalhados. Se o relatrio detalhado contiver clulas
de previso ao vivo nas quais usada a rede a ser substituda,
ocorrer que, aps a substituio, essas clulas contero valores
fixos.
Informaes da rede permite acrescentar informaes
descritivas a uma rede. Isso ajuda a identificar a rede treinada e
as condies em que foi treinada.
80
Utilidades
Comando: Utilidades de dados ausentes

Permite substituir dados ausentes e valores de erro de um
conjunto de dados por valores artificiais
O comando Utilidade de Dados Ausentes permite substituir dados
indesejados ou ausentes do conjunto de dados por valores artificiais.
Durante o treinamento, teste e previso, os casos com valores de
variveis ausentes so ignorados pelo NeuralTools, portanto,
geralmente til corrigir esses valores antes do processo.
A caixa de dilogo Viso Geral do Treinamento apresenta um aviso
quando houver valores ausentes no conjunto de dados. Se isso
ocorrer, esses casos podem ser corrigidos usando-se o comando
Utilidades de Dados Ausentes.
A caixa de dilogo Utilidade de Dados Ausentes apresenta as

seguintes opes:
Variveis a modificar fornece uma lista de variveis usadas no

conjunto de dados da planilha atual, e exibe o nmero de dados
ausentes, erros e dados no numricos (de variveis numricas).
Assinalar uma varivel a seleciona para que os dados ausentes ou
indesejados sejam substitudos.
A lista de variveis contm um submenu de contexto com
comandos para selecionar e cancelar a seleo de grupos de
variveis.
81
Valores a substituir seleciona os tipos de valores que sero

substitudos nas variveis selecionadas. Valor especfico
permite substituir todas as instncias de um valor especfico por
uma varivel com um novo valor.
O que usar como substituio especifica valores a serem

colocados no conjunto de dados em vez dos dados ausentes ou
indesejados. Valores diferentes so especificados para variveis
categricas e numricas:
Variveis categricas as opes so:
-
Categoria mais frequente / Categoria menos frequente

o valor da categoria que ocorre com maior ou menor
frequncia para os casos do conjunto de dados
Categoria vizinha o valor da categoria que ocorre no

caso no conjunto de dados prximo quele com o valor
ausente
Categoria selecionada aleatoriamente valor de uma

categoria selecionado aleatoriamente entre os valores no
conjunto de dados.
Categoria especfica define todos os valores ausentes

ou indesejados em como um valor especfico
Variveis numricas as opes so:

-
Valor mdio da varivel o valor mdio da varivel de

todos os casos do conjunto de dados
Valor mediano da varivel o valor mediano da varivel

de todos os casos do conjunto de dados
Interpolao de valores vizinhos o valor calculado pela

interpolao entre os valores das variveis nos casos do
conjunto de dados ao lado do caso com o valor ausente
Valor aleatrio (entre mn. e mx.) um valor aleatrio

selecionado entre os valores mnimo e mximo das
variveis para todos os casos do conjunto de dados.
Limpar clulas apaga os valores selecionados da varivel, seja esta

numrica ou categrica.
82
Utilidades
Mais informaes
sobre valores
ausentes
A caixa de dilogo Utilidades de Dados Ausentes fornece uma

alternativa para os dados ausentes: ela gera dados artificiais para
preencher os dados que esto faltando. Muitas vezes pode ser melhor
simplesmente deixar os dados ausentes como clulas em branco, e
deixar o NeuralTools ignorar os casos com dados ausentes. Observe
que o NeuralTools no reconhece smbolos especiais como, por
exemplo, ? como dados ausentes; pontos de interrogao devem ser
eliminados. Isso pode ser feito com as Utilidades de Dados Ausentes,
selecionando-se Valor especfico na seo Valores a substituir e
Limpar clulas na seo O que usar como substituio.
s vezes tambm possvel usar o NeuralTools para prever valores
ausentes em uma varivel independente a partir de outras variveis
independentes com poucos ou nenhum dado ausente. Os resultados
do teste indicaro se a rede treinada para prever os valores ausentes
confivel.
83
84
Mais informaes sobre redes

neurais
Noes bsicas sobre redes neurais
Rede neural um sistema que usa inputs numricos para efetuar
clculos e gerar um ou mais valores numricos baseados nesses
inputs. Quando a rede neural criada e treinada para uma aplicao
especfica, ela produz valores de output aproximadamente corretos
para os inputs fornecidos. Por exemplo: uma rede pode conter inputs
que representam algumas caractersticas facilmente mensurveis de
um haliote (animal aqutico), como comprimento, dimetro e peso.
Os clculos efetuados pela rede produzem um nico nmero, que
geralmente prximo idade do animal (a idade de um haliote
mais difcil de determinar).
As redes neurais foram inspiradas na estrutura do crebro. O crebro
formado por um grande nmero de clulas denominadas
neurnios. Cada neurnio recebe impulsos de outros neurnios
atravs de vrios dendritos. Dependendo dos impulsos recebidos, o
neurnio transmite um sinal a outros neurnios, por meio de seu
axnio, que se conecta a dendritos de outros neurnios. Da mesma
forma que o crebro, as redes neurais artificiais so compostas por
elementos; cada um desses elementos recebe uma srie de inputs e
gera um nico output, sendo que o output uma funo
relativamente simples dos inputs.
85
Comparaco entre redes neurais e mtodos

estatsticos
As redes neurais fornecem uma alternativa aos mtodos estatsticos
convencionais. Da mesma forma que as regresses lineares, as redes
neurais so usadas para aproximao de funes. E da mesma forma
que anlises discriminantes e regresses logsticas, as redes neurais
so usadas para classificao. A vantagem das redes neurais que so
capazes de modelar funes extremamente complexas. Isso bem
diferente do que efetuado pelas tcnicas lineares convencionais
(regresso linear e anlise discriminante linear). As tcnicas de
otimizao de modelos lineares j eram bem conhecidas antes de
terem sido inventadas as redes neurais artificiais, em meados do
sculo XX. Levou muitos anos at serem desenvolvidos algoritmos
eficazes no treinamento de redes neurais. Contudo, atualmente, existe
uma grande variedade de algoritmos sofisticados para treinamento de
redes neurais, o que as torna uma alternativa mais interessante do que
os mtodos convencionais.
Estrutura de uma rede neural

A estrutura da rede neural composta de unidades conectadas
referidas como ns ou neurnios. Cada neurnio efetua uma
parte dos clculos dentro da rede: o neurnio usa alguns nmeros
como inputs, efetua clculos relativamente simples com os mesmo e
retorna um output. O valor de output de um neurnio ento
transmitido como um dos inputs para outro neurnio, exceto no caso
dos neurnios que geram os valores de output finais de todo o
sistema.
Os neurnios so dispostos em camadas. Os neurnios da camada de
inputs recebem os inputs para efetuar os clculos, como o
comprimento, dimetro e peso de um haliote individual. Esses valores
so passados aos neurnios na primeira camada oculta, que efetuam
os clculos baseados nos inputs e passam os outputs para a prxima
camada. A prxima camada pode ser outra camada oculta, se for o
caso. Os outputs dos neurnios na ltima camada oculta so passados
ao neurnio ou neurnios que geram os outputs finais da rede como,
por exemplo, a idade do haliote.
86
Previso numrica e de categoria

Quando as redes neurais so usadas para prever valores numricos,
geralmente elas produzem apenas um output. Isso ocorre porque as
redes de output nico so mais confiveis do que as que produzem
mltiplos outputs, e praticamente qualquer problema de previso
poder ser processado por redes de output nico. Por exemplo, em vez
de construir uma nica rede para prever o volume e o preo de uma
ao no dia seguinte, melhor criar uma rede para previses de preo
e outra para previses de volume. Por outro lado, as redes neurais
usadas para previso de classificao ou categoria tm mltiplos
outputs. Suponhamos, por exemplo, que queremos prever se o preo
de uma ao subir mais de 1%, cair mais de 1% ou no
mudar mais de 1%. Neste caso, a rede ter trs outputs numricos;
o output mais alto indicar a categoria selecionada pela rede.
Como treinar uma rede

Treinamento de rede o processo de ajuste fino dos parmetros de
clculo com a finalidade de fazer com que a rede produza outputs
com valores aproximadamente corretos para os inputs fornecidos.
Esse processo, por um lado, baseado no treinamento de dados e, por
outro, no algoritmo de treinamento. O algoritmo de treinamento
seleciona diversos conjuntos de parmetros de clculo e avalia cada
conjunto aplicando a rede a cada caso do treinamento, com o objetivo
de determinar a adequao das respostas fornecidas pela rede. Cada
conjunto de parmetros uma tentativa; o algoritmo de
treinamento seleciona novos conjuntos de parmetros com base nos
resultados das tentativas anteriores.
Processamento computacional de redes neurais

A rede neural um modelo de clculos que pode ser utilizado em
vrios tipos de computadores e equipamentos relacionados. Uma rede
neural pode ser construda a partir de pequenos elementos de
processamento, cada qual efetuando o trabalho de um neurnio
individual. Entretanto, geralmente as redes neurais so implantadas
em um computador com apenas um processador possante, como a
maioria dos computadores usados atualmente. Em computadores que
contm apenas um processador, um programa como o NeuralTools
usa o mesmo processador para efetuar cada clculo do neurnio;
nesse caso, o conceito de neurnio refere-se a uma parte dos clculos
necessrios para obter uma previso, e no a um elemento fsico de
processamento.
87
Tipos de redes neurais

H vrios tipos de redes neurais, que se diferenciam pela estrutura,
pelos tipos de clculos efetuados dentro dos neurnios e pelos
algoritmos de treinamento. Um dos tipos de redes oferecidos pelo
NeuralTools a Rede Multi-Layer Feedforward. Com as redes MLF,
o usurio do NeuralTools pode especificar se deve haver uma ou duas
camadas de neurnios ocultos e quantos neurnios as camadas
ocultas devem conter (o NeuralTools fornece ajuda de como fazer as
selees adequadas, conforme descrito na seo sobre redes MLF). O
NeuralTools tambm oferece Redes Neurais de Regresso
Generalizada e Redes Neurais Probabilsticas; essas redes se
interrelacionam estreitamente, sendo que o primeiro tipo usado para
previso numrica e o segundo para previso de
categorias/classificao. No caso das redes GRN/PN, o usurio no
precisa tomar nenhuma deciso quanto estrutura da rede. Essas
redes sempre tm duas camadas ocultas de neurnios, sendo que um
neurnio em caso de treinamento encontra-se primeira camada oculta;
o tamanho da segunda camada depende de certos fatores
relacionados aos dados de treinamento.
As prximas sees deste captulo explicam detalhadamente cada tipo
de rede neural que pode ser usado no NeuralTools.
88
Redes Multi-Layer Feedforward

As Redes Multi-Layer Feedforward (tambm conhecidas como
Redes Multi-Layer Perceptron) so sistemas capazes de efetuar
aproximaes de funes complexas, podendo, portanto, modelar
relaes complexas entre variveis independentes e uma varivel
dependente.
Arquitetura MLF
O diagrama abaixo mostra uma rede MLF de previso numrica com
trs variveis numricas independentes; a rede foi configurada para
ter 2 neurnios/ns na primeira camada oculta e 3 neurnios/ns na
segunda camada oculta.
Output
Segunda
camada
oculta
Primeira
camada
oculta
Inputs
Fatores que determinam o comportamento da rede:

Topologia (o nmero de camadas ocultas e o nmero de ns das
camadas)
Pesos das conexes (um parmetro atribudo a cada conexo) e
termos de vis (um parmetro atribudo a cada neurnio)
Funo de ativao/transferncia usada para converter os inputs
de cada neurnio no output correspondente.
89
Especificamente, um neurnio oculto com n inputs primeiro calcula a

soma ponderada de seus inputs:
Soma = in0 * w0 + in1 * w1 + ... + inn * wn + vis
onde o intervalo de in0 a inn corresponde a outputs de neurnios da
camada anterior, enquanto o intervalo de w0 a wn corresponde aos
pesos da conexo; cada neurnio tem seu prprio valor de vis. Em
seguida, a funo de ativao aplicada Soma para gerar o output
do neurnio.
A funo sigmide (em forma de S) usada como a funo de
ativao nos neurnios das camadas ocultas. Mais especificamente, o
NeuralTools usa a funo tangente hiperblica. No NeuralTools, o
neurnio de output usa identidade como funo de ativao, ou seja,
ele simplesmente retorna a soma ponderada de seus inputs. s vezes,
as redes neurais so construdas com funes de ativao sigmides
nos neurnios de output. Contudo, isso no necessrio para que a
rede neural possa fazer aproximaes de funes complexas. Alm
disso, as funes sigmides tm um intervalo restrito de output (de -1
a 1 para a funo tangente hiperblica), e geralmente h valores
dependentes fora desse intervalo. Assim, o uso da funo sigmide no
neurnio de output fora uma transformao adicional dos valores de
output antes de passar os dados de treinamento para a rede.
Quando so usadas redes MFL para classificao, elas tm mltiplos
neurnios de output, um correspondente a cada possvel categoria
dependente. A rede classifica cada caso calculando seus outputs
numricos; a categoria selecionada a que corresponde ao neurnio
com o valor mais alto de output.
90
Treinamento de redes MLF

O treinamento de uma rede MLF consiste em encontrar um conjunto
de pesos de conexo e termos de vis que faam com que a rede, de
modo geral, fornea respostas corretas quando so apresentados
novos casos (para fins de simplificao, o termo de vis ser omitido
na apresentao abaixo). O treinamento iniciado com a atribuio de
um conjunto de pesos de conexo selecionado aleatoriamente. feita
uma previso para cada caso de treinamento (usando valores
independentes como inputs para obter o output). muito provvel
que o output ser diferente do valor dependente conhecido. Assim,
para cada caso de treinamento temos um valor de erro. A partir
desses valores, calculamos uma medida de erro para todo o conjunto
de treinamento, o que nos informa como foi o desempenho da rede
com os pesos iniciais.
provvel que a rede no apresente muito bom desempenho com os
pesos aleatrios inicialmente atribudos; ento prosseguimos com
tentativas subsequentes: outras atribuies de pesos. Contudo, agora
as atribuies de pesos no so mais aleatrias; so decididas pelo
nosso algoritmo de treinamento: o mtodo de seleo dos pesos de
conexo baseado nos resultados das tentativas anteriores. O
problema agora uma questo de otimizao: queremos minimizar a
medida de erro mudando os pesos de conexo.
Histrico
O primeiro algoritmo bem-sucedido no treinamento de pesos de

conexo em redes MLF foi o de retropropagao; atualmente, a
maioria dos pesquisadores prefere usar algoritmos mais rpidos e
com maior probabilidade de encontrar o valor timo global. O
NeuralTools emprega o mtodo de gradiente descendente
conjugado, que pertence categoria dos mtodos de otimizao de
segunda ordem. Esses mtodos de otimizao determinsticos
foram elaborados para encontrar o valor mnimo local de uma funo:
eles prosseguem eficientemente no sentido descendente no declive da
funo de erro. Para reduzir o risco de encontrar o mnimo local em
vez do mnimo global, o NeuralTools combina os dois mtodos de
otimizao: determinstico e estocstico. Especificamente, o
mtodo estocstico de recozimento simulado (simulated annealing)
usado em conjunto com o mtodo de gradiente descendente
conjugado. O algoritmo decide o mtodo a ser usado em um
determinado ponto, baseado nos resultados das tentativas anteriores.
Para saber mais sobre o mtodo de gradiente descendente conjugado
veja os artigos publicados por Bishop (1995) e Masters (1995). Para
saber mais sobre Simulated Annealing (recozimento simulado), veja o
artigo de Masters (1995).
91
Medidas de erro
A medida de erro usada ao treinar redes de previso numrica o

erro mdio quadrtico de todos os casos de treinamento, ou seja, a
diferena mdia quadrtica entre a resposta correta e a resposta dada
pela rede. No caso da classificao, temos mais de um output para
cada caso de treinamento (isto , um output correspondente a cada
categoria dependente). Calculamos o erro mdio quadrtico com base
em todos os outputs de todos os casos de treinamento, usando como
referncia os valores de output desejados: para cada caso de
treinamento queremos que o valor do output seja prximo a 1, para o
output correspondente categoria correta, e queremos que os valores
restantes de output sejam prximos de 0.
Tempo de
treinamento
Os algoritmos de treinamento MLF do NeuralTools se reiniciam

vrias vezes, usando pesos iniciais diferentes. Portanto, quanto mais
longo o tempo de treinamento da rede, melhor o resultado. Quanto
maior o nmero de vezes que a rede puder se reiniciar, maior a
probabilidade de que ser encontrado o mnimo global da funo de
erro.
Seleo da
topologia
A seleo do nmero de camadas e do nmero de neurnios de cada

camadas define se a rede ser capaz de apreender a relao entre as
variveis independentes e dependentes. Em geral, o treinamento de
uma rede com uma nica camada oculta e dois neurnios ocultos no
alcanar um nvel de erro satisfatrio. Contudo, o aumento do
nmero de camadas e de neurnios pode ter um custo que no vale a
pena pagar. Uma nica camada oculta suficiente para praticamente
qualquer problema; o uso de duas camadas geralmente resulta no
prolongamento desnecessrio do tempo de treinamento. Alm disso,
normalmente um pequeno nmero de neurnios em uma nica
camada oculta suficiente.
O NeuralTools pode configurar automaticamente a topologia da rede
com base nos dados de treinamento. Contudo, o recurso de Busca da
Melhor Rede proporciona uma alternativa mais confivel. Como parte
da Busca da Melhor Rede, feito o treinamento de uma srie de redes
de 1 camada oculta com diferentes nmeros de neurnios. Por
definio padro, so includas cinco redes MLF com 2 a 6 neurnios
ocultos. Se houver tempo suficiente, o nmero de redes pode ser
aumentado, mas recomendamos comear com uma rede de 2
neurnios, a fim de evitar o treinamento excessivo.
92
Como evitar
excesso de
treinamento
O termo treinamento excessivo refere-se situao em que a rede

aprende no apenas as caractersticas gerais da relao entre as
variveis independentes e a dependente, mas comea a aprender fatos
sobre os casos de treinamento que no se aplicam no geral, isto , no
se aplicam a casos que no foram includos no treinamento. Para
evitar esse problema, s vezes o conjunto de teste dividido em um
conjunto de teste e treinamento e um conjunto apenas de teste, que
usado aps o treinamento. O erro no conjunto de teste e treinamento
calculado periodicamente ao longo do treinamento. Quando comea a
aumentar, significa que o treinamento est comeando a ser excessivo;
o treinamento ento suspenso.
O NeuralTools previne o excesso de treinamento de uma forma
especial. O processamento com dois conjuntos de teste distintos
geralmente no uma abordagem muito prtica, pois normalmente
no h dados suficientes para dividir o conjunto de treinamento em
dois. Alm disso, o aumento da ocorrncia de erro em um conjunto de
teste e treinamento no um indicador confivel de excesso de
treinamento; o aumento pode ser local e a taxa de erro pode continuar
diminuindo conforme o treinamento continua. O recurso Busca da
Melhor Rede do NeuralTools foi criado para evitar o excesso de
treinamento. Com as configuraes padro, a Busca da Melhor Rede
comea com uma rede com 2 neurnios, que geralmente pequena
demais para ser excessivamente treinada. Com as configuraes
padro, efetuado o treinamento de redes de at 6 neurnios. Se
redes com 5 e 6 neurnios forem treinadas excessivamente, isso ser
indicado nos resultados do conjunto de teste individual; uma das
redes com 2, 3 ou 4 neurnios apresentar o menor erro de teste.
93
94
Redes neurais de regresso generalizada e

redes neurais probabilsticas
Redes Neurais de Regresso Generalizada e Redes Neurais
Probabilsticas baseiam-se em conceitos semelhantes. As redes GRN
so usadas para previso numrica/aproximao de funes,
enquanto as redes PN so usadas para classificao/previso de
categorias. Esses dois tipos de redes foram concebidos por Donald
Specht (Probabilistic Neural Networks, Neural Networks, 3, 1990,
pgs. 109-118; A General Regression Neural Network, IEEE
Transactions on Neural Networks, 2, 1991, pgs. 568-576). Elas foram
tratadas por Masters (1995), cuja apresentao resumimos a seguir.
Consulte essas fontes para obter mais detalhes.
Redes neurais de regresso generalizada

Como exemplo, vamos usar o conjunto de dados de treinamento
apresentado no grfico, com uma varivel numrica independente e
uma dependente.
1200
1000
800
600
400
200
0
-12 -10 -8
-6
-4 -200
-2 0
10 12
-400
-600
-800
-1000
95
Um observador pode discernir um padro nos dados. Se

perguntarmos qual o valor dependente desconhecido
correspondente ao valor independente 6, poderamos fazer uma
estimativa de que aproximadamente superior a 200 e inferior a 400.
Observe que essa estimativa no se baseia nos dois casos conhecidos
mais prximos, que indicariam um valor abaixo de 200; estamos
olhando os casos alm deles. Entretanto, no prestamos muita ateno
aos casos com valores independentes em torno de -10; quanto mais
prximo um caso conhecido est de um desconhecido, mais peso
dado ao estimar o valor dependente desconhecido. A Rede Neural de
Regresso Generalizada baseia-se nesses conceitos intuitivos. Cada
caso de treinamento representado na rede. Quando um caso
apresentado rede, ela calcula o valor dependente previsto usando os
valores dependentes de cada caso de treinamento, sendo que os casos
de treinamento mais prximos contribuem de forma mais
significativa ao valor do output.
Arquitetura GRN
Uma Rede Neural de Regresso Generalizada para duas variveis

numricas independentes estruturada da forma mostrada no grfico
a seguir (pressupondo-se que haja apenas trs casos de treinamento):
Output
Camada de soma
(ns de numeradores e
denominadores)
Camada de padres
(1 neurnio para cada
caso de treinamento)
Inputs
A camada de padres contm um n para cada caso de treinamento.
Neste caso, apresentar um caso de treinamento rede consiste em
apresentar dois valores numricos independentes. Cada neurnio da
camada de padres calcula a sua distncia em relao ao caso
apresentado. Os valores passados aos ns de numeradores e
denominadores so funes da distncia e do valor dependente. Os
dois ns da camada de soma efetuam a soma de seus inputs,
enquanto o n de output os divide para gerar a previso.
96
Redes neurais de regresso generalizada e redes neurais probabilsticas
A funo de distncia calculada nos neurnios da camada de padres

usa fatores de suavizao; cada input tem seu prprio valor de
fator de suavizao. Com um nico input, quanto maior o valor do
fator de suavizao, mais importante os casos de treinamento de
distncia tornam-se para o valor previsto. Com 2 inputs, o fator de
suavizao relaciona-se com a distncia ao longo de um eixo no plano
e, em geral, com inputs mltiplos, a uma dimenso no espao
multidimensional.
O treinamento de uma rede GRN consiste em otimizar os fatores de
suavizao para minimizar o erro no conjunto de treinamento; o
mtodo de otimizao por gradiente descendente conjugado usado
para efetuar isso. A medida de erro usada durante o treinamento para
avaliar diferentes conjuntos de fatores de suavizao o erro mdio
quadrtico. Contudo, ao calcular o erro quadrtico para um caso de
treinamento, o caso em questo temporariamente excludo da
camada de padres. Isso feito porque o neurnio excludo calcularia
uma distncia zero, tornando outros neurnios insignificantes no
clculo da previso.
Redes neurais probabilsticas

Agora vamos tratar das Redes Neurais Probabilsticas. Usaremos o
conjunto de dados de treinamento a seguir, com 2 variveis
numricas independentes e 1 varivel dependente com 2 categorias:
97
Os crculos representam os casos de treinamento de uma categoria; os

quadrados representam os casos que pertencem a outra categoria.
Nosso objetivo prever a categoria do caso representado pelo ponto
de interrogao. Um observador decidiria que mais provvel que o
caso se inclua na categoria de crculo do que na categoria de
quadrado. Contudo, muitos mtodos de classificao no chegaro a
essa mesma concluso. Os mtodos que requerem a separabilidade
linear das categorias fracassaro. Os mtodos baseados na regra do
vizinho mais prximo designaro o caso desconhecido categoria de
quadrado. O mesmo ocorrer com os mtodos que se baseiam nas
tendncias centrais, j que o caso desconhecido est mais prximo do
centride da categoria de quadrado do que do centride da categoria
de crculo.
A rede PN, porm, far a previso correta. Ela considerar a distncia
do novo caso a cada caso de treinamento, atribuindo maior peso aos
casos mais prximos. O efeito do quadrado vizinho ser superado
pelos crculos na vizinhana imediata.
Arquitetura PNN
A Rede Neural Probabilstica estruturada da forma ilustrada no

grfico abaixo, que pressupe que h duas variveis numricas
independentes, duas categorias dependentes e cinco casos de
treinamento (trs em uma categoria e dois na outra):
Output
Camada de soma
(1 neurnio para
cada categoria)
Camada de padres
(1 neurnio para cada
caso de treinamento)
Inputs
98
Redes neurais de regresso generalizada e redes neurais probabilsticas
Quando um caso apresentado rede, cada neurnio da camada de

padres calcula a distncia entre o caso do treinamento representado
pelo neurnio e o caso do input. O valor passado aos neurnios da
camada de soma depende da distncia e dos fatores de suavizao. Da
mesma forma que nas redes GRN, cada input tem seu prprio fator de
suavizao; esses fatores determinam a rapidez com que a
significncia dos casos de treinamento diminui com a distncia. Na
camada de soma h um neurnio para cada categoria dependente;
cada neurnio perfaz a soma dos valores de output dos neurnios
correspondentes aos casos de treinamento da categoria em questo.
Os valores de output dos neurnios da camada de soma podem ser
interpretados como estimativas da funo de densidade de
probabilidade para cada classe. O neurnio de output seleciona a
categoria com o maior valor na funo de densidade de probabilidade
como a categoria prevista.
Da mesma forma que com as redes GRN, o treinamento de uma rede
PN consiste em otimizar os fatores de suavizao para minimizar o
erro no conjunto de treinamento; usado o mtodo de otimizao
Gradiente Descendente Conjugado. A medida de erro usada durante
o treinamento para avaliar diversos conjuntos de fatores de
suavizao calculada com base em todos os valores retornados pelos
neurnios da camada de soma de todos os casos de treinamento. A
medida leva em conta no apenas a probabilidade atribuda
categoria correta, mas tambm a distribuio de probabilidades
atribudas a categorias incorretas ( melhor ter uma distribuio
aproximadamente uniforme de probabilidades nas categorias
incorretas do que ter determinada categoria incorreta com alta
probabilidade). Observe que, ao calcular o erro para um caso de
treinamento, o caso em questo temporariamente excludo da
camada de padres. Isso ocorre porque o neurnio excludo calcularia
uma distncia zero, tornando outros neurnios insignificantes no
clculo da previso.
99
100
Comparao entre redes MLF e PN/GRN

Cada tipo de rede neural disponvel no NeuralTools oferece
vantagens e desvantagens, conforme descrevemos a seguir:
Vantagens das redes GRN/PN:
Treinamento rpido
No requerem especificao da topologia (nmero de camadas
ocultas e ns)
Alm de efetuar classificao, as redes PN retornam as
probabilidades de o caso se enquadrar em diferentes categorias
dependentes.
Vantagens das redes MLF:
So menores, portanto as previses so mais rpidas
So mais confiveis fora dos intervalos dos dados de treinamento
(por exemplo, quando o valor de uma varivel independente cai
fora da faixa de valores correspondente varivel nos dados de
treinamento). Observe, no entanto, que a previso com redes MLF
fora do intervalo dos dados de treinamento continua sendo
arriscada.
So capazes de fazer generalizaes a partir de conjuntos de
treinamento muito pequenos
101
102
Transformao de input
O NeuralTools aplica escala nas variveis numricas antes do
treinamento, de forma que os valores de cada varivel estejam
aproximadamente no mesmo intervalo. Isso feito para equalizar o
efeito das variveis no output da rede durante as fases iniciais do
treinamento. Quando uma varivel no significativa para fazer
previses corretas, este fato ser levado em conta durante o
treinamento por meio da reduo dos pesos das conexes entre um
determinado input e os neurnios da primeira camada oculta.
Contudo, se a varivel insignificante for de uma ordem de
importncia maior do que as outras variveis, os pesos tero de ser
reduzidos ainda mais, para compensar os valores maiores.
A escala usa a mdia aritmtica e o desvio padro para cada varivel,
calculados com base no conjunto de treinamento. A mdia aritmtica
subtrada de cada valor e o resultado dividido pelo desvio padro.
Os mesmos parmetros de escala so usados ao testar a rede treinada
ou us-la para efetuar previses.
Dados simblicos ou de categoria no podem ser usados diretamente
com a rede neural, pois esta usa nmeros como inputs.
Consequentemente, cada varivel categrica independente
representada por vrios inputs de rede numricos, um para cada
categoria possvel. usado o mtodo de converso 1-de-n. Vamos
usar como exemplo o seguinte conjunto de casos de treinamento:
Idade
Estado
Valor do
emprstimo
Dependente: pagamento do
emprstimo
41
SP
4000
em dia
32
RJ
7000
atrasado
54
MG
6000
em dia
37
SP
5000
inadimplente
Os casos so apresentados rede da seguinte forma:

Idade
Estado
=RJ
Estado
=MG
Estado
=SP
Valor do
emprstim
o
Dependente:
pagamento do
emprstimo
41
4000
em dia
32
7000
atrasado
54
6000
em dia
37
5000
inadimplente
103
104
Transformao de input
Leituras recomendadas
As seguintes publicaes fornecem informaes adicionais sobre as
redes neurais usadas no NeuralTools:
Bishop, Christopher M., Neural Networks for Pattern Recognition,
Oxford, 1995.
Masters, Timothy, Advanced Algorithms for Neural Networks, Wiley,
1995.
Reed, Russell D., Robert J. Marks, Neural Smithing, MIT, 1999.
105
106
ndice remissivo
A
Andamento do treinamento, 57
Arquitetura GRN, 96
Arquitetura MLF, 89
Arquitetura PNN, 98
C
Caixa de dilogo Gerenciador de
Conjunto de Dados, 42
Capacidade em termos de conjunto de
dados e variveis, 47
Comando
Configuraes da aplicao, 75
Gerenciador de Rede Neural, 79
Prever, 69
Testar, 61
Treinar, 48
Utilidades de dados ausentes, 81
Comando Gerenciador de Conjunto
de Dados, 41
Como evitar excesso de treinamento,
93
Como testar uma rede, 25
Comparao entre redes MLF e
PN/GRN, 101
Conjunto de dados e variveis, 41
Conjuntos de dados, 18
Conjuntos de dados com mltiplos
intervalos, 43
Correspondncia entre variveis, 62
D
Desinstalao do NeuralTools, 7
E
Erro mdio quadrtico, 60
Evolver, 30
ndice remissivo
G
Gerenciador de Conjunto de Dados,
18
H
Histograma de residuais, 60
I
cones
rea de trabalho, 8
Instrues de instalao, 67
M
Matriz de classificao, 59
Multi-Layer Feedforward Network,
53
P
Palisade Corporation, 5
Previso, 16, 27
Previso ao Vivo, 28, 71
Probabilistic Neural Networks, 53
Problemas de classificao, ii
Problemas numricos, ii
R
Redes Multi-Layer Feedforward, 89
Redes neurais de regresso
generalizada, 95
Redes Neurais de Regresso
Generalizada, 21, 53
Redes neurais e mtodos estatsticos,
86
Redes neurais probabilsticas, 97
Relatrios de teste, 26, 64
107
Relatrios de treinamento, 58
Requisitos de sistema, 6
Resumos rpidos em relatrios
detalhados, 68
S
Solver, 30
StatTools, 30
T
Tempo de execuo, 55
Testar automaticamente em, 49
Teste, 16
Tipo de varivel, 45
108
Transformao de input, 103

Treinamento, 16
Treinamento de redes MLF, 91
U
Uso integrado de treinamento, teste e
previso, 20
V
Valores ausentes, 83
variveis tag, 46
Verso Professional, iv
Viso Geral de Previso, 72
Viso Geral de Teste, 63

NeuralTools5 PT

Diunggah oleh

Informasi Dokumen

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

NeuralTools5 PT

Diunggah oleh

Hak Cipta:

Format Tersedia

Manual do Usurio

Reconhecimento de marcas registradas

Bem-vindo ao NeuralTools para

Trabalhe em um ambiente conhecido

Bem-vindo ao NeuralTools para o Excel

Problemas de classificao: so problemas em que se tenta

Problemas numricos: situaes em que necessrio prever

As redes neurais so usadas em uma variedade de aplicaes,

Gerenciamento de dados no NeuralTools

Bem-vindo ao NeuralTools para o Excel

Acesso e compartilhamento de dados

NeuralTools Professional e Industrial

No NeuralTools Professional o nmero de conjuntos de dados

O recurso de Previso ao Vivo, que calcula os valores

Captulo 1: Primeiros Passos

Utilidades do NeuralTools .................................................................. 30

Barra de ferramentas do NeuralTools............................................ 37

Noes bsicas sobre redes neurais............................................. 85

Leituras recomendadas .................................................................105

Captulo 1: Primeiros Passos

Captulo 1: Primeiros Passos

Manual do Usurio do NeuralTools (este livro) em formato .PDF

Contrato de licena do NeuralTools

O que est includo no pacote

Sobre esta verso

Captulo 1: Primeiros Passos

Funcionamento com o seu ambiente operacional

O usurio sabe usar o computador e o mouse.

O usurio conhece termos como: cones, clique, duplo-clique ou clicar

O usurio tem uma compreenso de conceitos bsicos como: estrutura de

Antes de contatar o suporte tcnico, confira o seguinte:

Voc consultou a Ajuda online?

Voc consultou este Manual do Usurio e assistiu ao tutorial multimdia

Voc leu o arquivo LEIAME.WRI? Ele contm informaes atualizadas

O problema que est ocorrendo pode ser reproduzido sempre da mesma

Voc consultou nosso site na Internet? O endereo :

A Palisade Corporation recebe com satisfao perguntas, comentrios

Telefone: +1-607-277-8000, dias teis, das 9h s 17h (horrio de Nova

Se quiser contatar a Palisade Europe:

Telefone: +44 1895425050 (RU).

Fax: +44 1895425051 (RU).

Para contatar a Palisade Asia-Pacific:

Telefone: +61 2 9252 5922 (Austrlia).

Fax: +61 2 9252 2820 (Austrlia).

Captulo 1: Primeiros Passos

Ao nos contatar, pedimos que sempre inclua o nome do produto, a

No oferecemos suporte tcnico por telefone para a verso de

Consulte o seu professor ou colega.

Acesse http://www.palisade.com e veja as respostas s perguntas

Contate nosso departamento de suporte tcnico por e-mail ou fax.

Requisitos de sistema do NeuralTools

Pentium PC ou processador mais veloz, com disco rgido.

Microsoft Windows 2000 SP4, Windows XP ou verso superior.

Microsoft Excel 2000 ou verso superior.

Se quiser remover o NeuralTools de seu computador, use o recurso

Captulo 1: Primeiros Passos

Instalao de cones ou atalhos do NeuralTools

No Windows, o programa de instalao cria automaticamente um

1) E se o software no for ativado?

Captulo 1: Primeiros Passos

2) Durante quanto tempo posso usar o produto sem ativ-lo?

Ativao pela Internet

Na caixa de dilogo Ativao de Licena da Palisade, digite ou cole o

Ativao se voc no tiver acesso Internet