Normalização de Dados Tabulares 📏

Sem camada oculta, cada peso conecta diretamente uma feature à saída — fica óbvio por que a escala do salário domina o treino sem normalização.

Dataset: Crédito aprovado ou reprovado

Amostra

Idade

Salário (R$)

Crédito

Idade: 24–61 Salário: 1800–12500

⚠️

Mesmo com só duas features, a escala ainda importa. O salário injeta gradientes muito maiores e faz os pesos da primeira camada saltarem de época em época.

Onde estamos na aula

✅ CNNs

Bl. 1–6

→

✅ Backp.

Bl. 7–8

→

✅ Skip

Bl. 9

→

📏 Norm.

Bl. 10

Regressão logística 2 → 1 (sem camada oculta)

η (taxa aprendizado): 1.20e-5

Clique em treinar para acompanhar, época por época, como os pesos mudam. Sem normalização, os pesos ligados a salário tendem a oscilar muito mais.

Gradientes médios nas entradas ⚡ instável

Idade

0.000

Salário

0.000

Loss atual:0.000

Maior |Δw|:0.000

Var(pred):0.000

Pesos atuais

Predições do MLP

Mudanças por época

⚠️

Sem normalização, os pesos ligados a salário recebem as maiores correções. O resultado é um histórico de épocas com mudanças bruscas e pouca estabilidade.