Please enable JavaScript.

Coggle requires JavaScript to display documents.

Aula 02 - Regressão Linear - Coggle Diagram

- - - - Algumas nomenclaturas importantes
        
        Variáveis
        
        Independentes
        
        Uso para entrar os dados
        
        Existem por si só
        
        Dependentes
        
        É aquela que eu quero prever
        
        Classes/Labels
        
        As "etiquetas" dos dados
        
        Ex: Um paciente de idade x, sexo y, com pressão arterial z (features)... deve ser medicado com a droga A (droga é a label... possíveis valores como droga A, droga B... são as classes)
        
        "rotula" determinado resultado dadas as variáveis apresentadas
        
        Muito usado para aprendizado supervisionado
        
        Features
        
        Ex: Idade, Sexo, etc...
        
        Indica as variáveis de entrada
      - O que eu quero que meu modelo preveja?
        
        Valores Contínuos
        
        Normalmente devo usar técnicas de regressão
        
        Ex: O possível valor de uma ação daqui a 2 anos
        
        Valores Discretos
        
        Normalmente devo usar técnicas de classificação
        
        Ex: É fraude ou não é fraude? Devo prescrever medicamento A, B ou C? É spam ou não é spam?
      - Em qual contexto estou inserido?
      - Quais dados tenho?
    - - Por Reforço
      - Não Supervisionado
      - Supervisionado
        
        Consigo fazer
        
        Regressão
        
        Nosso foco nessa aula
        
        Quando tenho valores contínuos
        
        Classificações
        
        Quando tenho dados rotulados e eles são discretos
    - - Antes de tudo...
        
        Correlação
        
        Importante: Correlação não implica causalidade
        
        Coeficiente de Pearson
        
        Mede o grau e a direção de uma correlação entre duas variáveis
        
        Valores variam entre -1 e 1
        
        próximo de -1: indica correlação negativa
        
        próximo de 0: indica não haver correlação
        
        próximo de 1: indica correlação positiva
        
        É a relação estatística que envolve dependência entre duas variáveis
        
        Diferença entre Modelo e Algoritmo
        
        Algoritmo
        
        É a fórmula/receita da técnica que aplico aos dados que tenho para obter o resultado esperado (o aprendizado que gera um modelo)
        
        Modelo
        
        É o resultado da aplicação do algoritmo utilizando determinados dados
        
        O modelo treinado é o que é usado futuramente para prever/classificar outros dados.
        
        Regressão linear
        
        É uma equação para estimar o valor esperado de uma variável y, dados os valores de algumas outras variáveis x
        
        É chamada linear porque se considera que a relação da resposta às variáveis é uma função linear de alguns parâmetros
        
        ou seja, consigo visualizar essa função (se plotar em um gráfico) no formato de uma linha reta
        
        Fórmula
        
        y = A + B.x
        
        Regressão não-linear
        
        Uso quando preciso avaliar fenômenos que não podem ser visualizados de forma linear
        
        Ex: casos de coronavírus
      - Mas como eu acho essa bendita reta?
        
        Técnica dos Mínimos Quadrados (MMQ)
        
        Técnica mais usada
        
        É um método não interativo que ajusta um modelo de modo que a soma dos quadrados das diferenças (erros/resíduos) dos valores observados e previstos seja minimizada
      - Treino e Teste
        
        Divido meu Dataset em 2
        
        Treino e teste
        
        Posso pegar determinado % para cada
        
        Ex: 80% treino e 20% teste
        
        Pego aleatoriamente
        
        Uso o dataset de teste pra avaliar a qualidade do meu modelo (quanto ele tá errando)
        
        Métricas de Avaliação do modelo
        
        Soma do erro quadrático (SSE)
        
        Erro médio absoluto
        
        Erro quadrático médio (MSE)
        
        Raiz do erro quadrático médio (RMSE)
        
        R2
        
        Coeficiente de determinação
        
        Métrica que indica que o modelo linear explica tal % da variância de y a partir do valor de x.
        
        Ex: R²=0,823 (utilizando dados de emissão de CO2 a partir do motor) indica que o modelo linear explica 82% da variância de CO2 a partir do motor.