Seleção de hiperparâmetros para uma rede Multi-Layer Perceptron aplicada na predição do preço da soja

Abstract

O agronegócio brasileiro representa uma parcela significativa do Produto Interno Bruto (PIB), além de ser um setor de produção  essencial, por garantir o fornecimento de alimentos para a população. Contudo, o principal desafio enfrentado pelo setor é manter a rentabilidade, ante um cenário de alta dos custos de insumos. Diante disso, destaca-se a importância de avaliar ferramentas que possam auxiliar na tomada de decisão, com foco no aumento da rentabilidade. A proposta deste trabalho foi selecionar um conjunto de hiperparâmetros para uma rede neural Multi-Layer Perceptron (MLP), por meio da análise do Erro Médio Quadrático (EMQ), visando a sua utilização na predição do preço da soja. Para isso, um histórico de dados de preço do grão e da taxa de câmbio do dólar (2006 - 2022) foram utilizados como entrada do modelo matemático. Fazendo uso de simulações computacionais, o preço predito da soja foi avaliado, visando identificar o conjunto de hiperparâmetros que gera o menor EMQ. Entre as configurações avaliadas, o menor EMQ encontrado quando o modelo foi testado na série histórica teve valor igual a 1,2936. Esse resultado mostra que a configuração de hiperparâmetros selecionada é capaz de realizar a previsão do preço futuro da soja, acompanhando a tendência de preços do grão, no período em que ele foi avaliado.