“Bicentenário da Independência: 200 anos de ciência, tecnologia e inovação no Brasil e 96 anos de contribuição da UFV”.
8 a 10 de novembro de 2022
Trabalho 17356
| ISSN | 2237-9045 |
|---|---|
| Instituição | Universidade Federal de Viçosa |
| Nível | Pós-graduação |
| Modalidade | Pesquisa |
| Área de conhecimento | Ciências Agrárias |
| Área temática | Inteligência Artificial |
| Setor | Departamento de Estatística |
| Bolsa | FAPEMIG |
| Conclusão de bolsa | Não |
| Primeiro autor | Noé Mitterhofer Eiterer Ponce de Leon da Costa |
| Orientador | MOYSES NASCIMENTO |
| Outros membros | Antonio Carlos Baião de Oliveira, Eveline Teixeira Caixeta Moura, Victória Manhago Salvador |
| Título | Redes Neurais Artificiais Regularizadas para predição genômica da resistência a cercosporiose em Coffea arabica |
| Resumo | O café apresenta um processo de melhoramento genético demorado e oneroso. Pouco explorado pelas inciativas privadas, o melhoramento do café é mais desenvolvido pelas instituições públicas. Uma das formas de se acelerar o processo de identificar variedades com características agronomicamente superiores é através da Seleção Genômica (SG). A SG basicamente utiliza das informações moleculares para predizer o desempenho dos genótipos avaliados. Entre vários métodos utilizados para predição genômica, as Redes Neurais Artificiais (RNA) apresentam a grande vantagem de conseguir capturar, a partir dos marcadores moleculares, as relações lineares e não-lineares de maneira natural sem a necessidade de se estabelecer um modelo a priori. Portanto, a utilização de RNA vem crescendo ao passar do tempo pela sua melhor capacidade preditiva frente a métodos estatísticos em algumas situações, como por exemplo, na presença de efeitos não aditivos. Porém, as RNA podem sofrer com o overfitting, ou seja, a rede memoriza aquele conjunto de dados e perde sua capacidade preditiva em outros conjuntos de dados. Uma forma de evitar o overfitting é através do uso de RNA Regularizadas (RNAR), como por exemplo a do tipo L1. A regularização L1 basicamente modifica a função de custo da rede para penalizar grandes pesos e tendendo a fazer com que a rede prefira pequenos pesos. Assim, o objetivo desse trabalho foi de comparar a capacidade preditiva de diferentes arquiteturas de RNAR do tipo L1 na predição do mérito de genótipos quanto a resistência a cercosporiose em Coffea arabica. Os dados utilizados foram de resistência a cercosporiose de 156 genótipos de Coffea arabica genotipados para 3824 marcadores. Do conjunto total de dados (156 indivíduos), 80% foram utilizados para treinamento da rede e o restante para teste. Foram utilizadas RNA do tipo Perceptron de Múltiplas Camadas, com duas camadas ocultas, cada uma variando 1 a 20 neurônios. Foram consideradas 50 iterações e valores do parâmetro de regularização (k) iguais à 2, 4, 8 ou 10. Como métrica de comparação foi utilizada a capacidade preditiva da rede. Considerando k=2 a maior capacidade preditiva foi de 0,12 com 8 neurônios na primeira camada e 1 neurônio na segunda camada. Com k=4, o resultado obtido de capacidade preditiva foi de 0,35 quando utilizou 3 neurônios na primeira e 8 na segunda camada. Já considerando k=8 regularizações, o maior valor de capacidade preditiva da rede foi de 0,51 quando se utilizou 11 neurônios na primeira camada e 15 na segunda camada oculta. Finalmente, com k=10, a maior capacidade preditiva foi de 0,44 com 2 neurônios em ambas as camadas. Assim, mantendo o número de iterações em 50, podemos verificar que o aumento de regularizações em até 8 resultou em aumento da capacidade preditiva da rede. Isso pode ser explicado pela capacidade das regularizações em evitar o overfitting. Elevados valores do parâmetro de regularização, neste trabalho, igual à 8 ocorre redução da capacidade preditiva. |
| Palavras-chave | seleção genômica, inteligência artificial, overfitting. |
| Forma de apresentação..... | Painel |
| Link para apresentação | Painel |
|---|