Redes abstratas profundas para dados tabulares: técnicas e seus desempenhos.

Abstract

Dados de tipo tabular para mapeamento e documentação de informações sempre possuíram uma forte presença em diversas áreas da sociedade, e estão ainda mais numerosos dado o avanço da tecnologia. Como consequência, tem-se um aumento no desenvolvimento de pesquisas e modelos voltados para a utilização e maior domínio dessas informações. Por possuir uma menor complexidade computacional e bons resultados, a predominância da atuação de modelos mais tradicionais de Machine Learning para a resolução de problemas com dados tabulares ficou cada vez mais expressiva, gerando, assim, uma certa disparidade na pesquisa e desenvolvimento de outros possíveis métodos que poderiam performar em equidade ou até de maneira mais efetiva em contextos de Classificação e Regressão. Assim, a partir desse cenário, torna-se necessário uma maior visibilidade e entendimento acerca de diferentes modelos, com o objetivo de buscar alternativas mais assertivas na resolução de determinadas tarefas. Desse modo, esse Trabalho de Graduação aborda a aplicação de Redes Abstratas Profundas (DANets) em Dados Tabulares, trazendo uma explicação detalhada deste modelo de Deep Learning para Dados Tabulares, juntamente com uma análise crítica acerca das premissas tomadas. Além disso, é desenvolvido um estudo comparativo com outros principais modelos usados para problemas de Classificação, como MLP, Random Forest e Gradient Boosting (além de ensembles mistos das estruturas). Assim, é evidenciado neste trabalho que o modelo DANets apresenta uma boa performance no contexto testado, superando até alguns modelos mais tradicionais em uma tarefa complexa de classificação de dados, medida pela métrica estatística KS (Kolmogorov-Smirnov Test).