DDC: Classificador de Distribuição Profunda, Uma Abordagem Baseada em Rede Neural Convolucional para Identificação de Distribuições de Dados

Em domínios como o mercado de ações e manufatura, há uma demanda crescente por métodos de identificação de distribuição de dados mais rápidos e precisos devido à geração rápida de vastos volumes de dados, destacando a necessidade de capacidades aprimoradas de tomada de decisão em tempo real. Métodos tradicionais de identificação de distribuições de dados geralmente dependem de inspeção manual, testes estatísticos limitados e análises demoradas, levando a ineficiências e imprecisões na classificação. Nesse cenário, a pesquisa apresentada oferece uma abordagem nova aproveitando modelos de Aprendizado Profundo (DL) para automatizar o processo. A metodologia apresentada também permite uma identificação mais rápida e precisa das distribuições de dados por meio da geração de pontos de dados sintéticos e treinamento do modelo DL para identificar diferentes tipos de distribuição. O objetivo principal deste estudo é desenvolver um modelo DL que categorize pontos de dados em distribuições específicas com base em um conjunto de dados de entrada. Além disso, para treinamento e avaliação do modelo, um total de 1000 conjuntos de dados são gerados, cada um contendo 1000 pontos de dados. O estudo considera cinco distribuições (Normal, Uniforme, Exponencial, Log-normal e Beta), com 200 conjuntos de dados gerados (com parâmetros selecionados aleatoriamente) para cada distribuição. No estudo, o modelo DL é treinado primeiro e, em seguida, o modelo é avaliado em um conjunto de dados de teste separado (não visto). Depois, seu desempenho na classificação das distribuições é avaliado com base em métricas como precisão e perda. Os resultados do estudo demonstram a eficácia da abordagem proposta na classificação precisa da distribuição de pontos de dados, fornecendo insights valiosos sobre a aplicação de DL em tarefas de classificação de distribuição. O método proposto aumenta a escalabilidade, robustez e eficiência ao harnessar o poder de redes neurais convolucionais e técnicas avançadas de pré-processamento.