Relatório

Observando nos dois gráficos abaixo (loss) temos que, durante a base de treinamento dos modelos, as probabilidades dos modelos errarem estão tendendo à zero, logo no inicio podemos observar que as probabilidades de erro dois dois modelos estão muito alta e ao longo da base do treinamento (quando aumentamos a amostra) as probabilidades dos modelos errarem estão tendendo à zero, quanto maior a amostra da base de treinamento menor é o erro dos modelos. Já nos gráficos (acc) temos que, durante a base do treinamento dos modelos, as probabilidades de precisão dos modelos estão aumentando, quando olhamos logo no inicio do treinamento temos uma precisão de 80% (aproximadamente) no primeiro modelo e 90% (aproximadamente) no segundo modelo e ao longo do treinamento (quando aumentamos a amostra) a precisão tende à 1 (nos dois modelos), neste caso chega a 96,55% (aproximadamente) no segundo modelo e a 1 no primeiro modelo, isto é, de 29 possíveis acertos o modelo acerta 28 no segundo modelo. Ainda nos gráficos (acc) podemos observar a validation que é a validação dos modelos, nela temos que ao longo da base de treinamento a validação também foi aumentando, isto é, quando a validação é alta a probabilidade de overffiting é baixa, logo os modelos terão uma precisão boa (próxima da que encontramos) para diversos tipos de padrões de banco de dados e não só no padrão do nosso treinamento. No caso dos modelos temos uma validação de quase 1 nos dois modelos, sendo assim o primeiro modelo melhor do que o segundo, por ter uma precisão melhor e uma validação similar ao do segundo durante o treinamento

Gráficos: