Este componente realiza predições usando um modelo Multi-layer Perceptron para classificação usando Scikit-learn. Scikit-learn é uma biblioteca open source de machine learning que suporta apredizado supervisionado e não supervisionado. Também provê várias ferramentas para ajustes de modelos, pré-processamento de dados, seleção e avaliação de modelos, além de outras funcionalidades.

Espera-se como entrada para o componente uma tabela com colunas que representam valores numéricos, categóricos ou de data. Os valores de data devem ser removidos ou selecionados para codificação ordinal para que o modelo consiga processá-los. A tabela deve ser de um dos seguintes tipos: Comma-separated values (.csv) ou Excel (.xls, .xlsx).

A seguir são listados todos os parâmetros utilizados pelo componente:

• Atributo alvo: feature (Obrigatório).
  Seu modelo será treinado para prever os valores do alvo.
• Modo de seleção das features: string, {"incluir", "remover"}, padrão: "remover".
  Se deseja informar quais features deseja incluir no modelo, selecione a opção ‘incluir'. Caso deseje informar as features que não devem ser utilizadas, selecione ‘remover'.
• Features para incluir/remover no modelo: feature.
  Seu modelo será feito considerando apenas as features selecionadas. Caso nada seja especificado, todas as features serão utilizadas.
• Features para fazer codificação ordinal: feature.
  Seu modelo utilizará a codificação ordinal para as features selecionadas. As demais features categóricas serão codificadas utilizando One-Hot-Encoding.
• Camada Oculta: integer, padrão: 100.
  O i-ésimo elemento representa o número de neurônios na i-ésima camada oculta.
• Ativação: string, {"identity", "logistic", "tanh", "relu"}, padrão: "relu".
  Função de ativação para as camadas ocultas.
• Solucionador: string, {"lbfgs", "sgd", "adam"}, padrão: "adam".
  Solucionador de otimização de peso.
• Taxa de Aprendizado: string, {"constant", "invscaling", "adaptive"}, padrão: "constant".
  Programação da taxa de aprendizado para atualização de peso.
• Iteração: integer, padrão: 200.
  Número máximo de iterações.
• Embaralhamento: boolean, {True, False}, padrão: True.
  Se as amostras devem ser embaralhadas em cada iteração. Usado somendo quando solver tiver ‘sgd' ou ‘adam' como valor.
• Método de Predição: string, {"predict_proba", "predict"}, padrão: "predict_proba".
  Se optar por ‘predict_proba', o método de predição será a probabilidade estimada de cada classe, já o ‘predict' prediz a qual classe pertence.
• Gráficos a serem ignorados: string, {"Dados de Teste", "Matriz de Confusão", "Métricas Comuns", "Curva HOC", "Tabelas de Dados"}.
  Considerando a quantidade de gráficos que são retornados ao executar a experimentação, o usuário pode selecionar quais ele não deseja visualizar.

As métricas de performance tem o propósito de ajudar o usuário a avaliar a performance do modelo. Essas métricas variam de acordo com o tipo de problema, tal como: classificação, regressão, agrupamento, entre outros.

1. Acurácia: Indica uma performance geral do modelo. Dentre todas as classificações, quantas o modelo classificou corretamente.
2. Recall: Dentre todas as situações de classe positivo como valor esperado, quantas estão corretas.
3. F1-Score: Média harmônica entre precisão e recall.
4. Suporte: Número de ocorrências de cada classe esperadas
5. Matriz de confusão: Tabela que mostra as frequências de classificação para cada classe do modelo

O retorno durante a experimentação ajuda o usuário a analisar tanto métricas distintas de forma visual, como a distribuição dos dados e os dados brutos ao final da execução. Sendo assim, é possível visualizar diversos retornos para este componente como os listados a seguir:

1. Dados de teste
   Apresenta a distribuição dos dados de teste considerando as duas características mais relevantes para o modelo.
2. Matriz de confusão
   Apresenta a matriz de confusão. Cada linha representa uma classe e cada coluna representa a classe predita pelo modelo. Assim, é possível observar relações entre os acertos e erros para cada classe. Na diagonal temos o caso em que a classe predita acertou a classe real.
3. Métricas comuns
   Apresenta métricas comuns utilizadas para avaliar modelos de classificação, como por exemplo: precision e recall.
4. Curva ROC
   Apresenta um gráfico da Curva ROC. Esse gráfico permite avaliar a performance de um classificador binário para diferentes pontos de cortes. A métrica AUC (Area under curve) também é calculada e indicada na legenda do gráfico. Se a variável resposta tiver mais de duas categorias, o cálculo da curva ROC e AUC é feito utilizando o algoritmo one-vs-rest, ou seja, calcula-se a curva ROC e AUC de cada classe em relação ao restante.
5. Tabela dos dados
   Apresenta visualização dos dados após o treinamento do modelo com a variável resposta e dados sobre o modelo.

O retorno durante a implantação se refere a tabela com os valores preditos para o atributo alvo. Sendo que, cada linha da tabela se refere a um registro enviado ao modelo.