Please enable JavaScript.

Coggle requires JavaScript to display documents.

ML1 - Coggle Diagram

- - - - CADA MODELO É TREINADO COM UM SUBCONJUNTO
    - - ESTATÍSTICO E PODEROSO
    - - COMBINAÇÃO PONDERADA
      - CLASSE MAIS VOTADA
      - USAR QUANDO TODOS OS MODELOS FOREM BOM E CONCORDAM ENTRE SI
  - - - SELEÇÃO UNIVARIADA
      - ELIMINAÇÃO RECURSIVA DE ATRIBUTOS
      - IMPORTÂNCIA DE ATRIBUTOS
- - - - ÁRVORES DE DECISÃO
        
        INSPIRADO NOS HUMANOS
        
        SIMPLES DE INTERPRETAR
        
        FAZ REGRESSÃO
      - MEDIDAS DE SELEÇÃO DE ATRIBUTOS
        
        ENTROPIA (TEORIA DA INFORMAÇÃO)
        
        GANHO DE INFO (ATRIBUTO CATEGÓRICOS)
        
        GINI INDEX (ATRIBUTOS CONTÍNUOS)
        
        REDUÇÃO DE VARIÂNCIA
      - NO, RAIZ, FOLHA
      - ID3, C4.5, C 5, CART : DISTINTAS EM SELEÇÃO DE VARIÁVEIS, PARTICIONAMENTO, PARADA
    - - SIMPLES DE ENTENDER
      - VIZINHOS SÃO SIMILARES
      - NÃO PARAMETRIZÁVEL
      - DEFINIR O VALOR DE K
      - DEFINIR A DISTÂNCIA
      - VALIDAÇÃO CRUZADA PARA DETERMINAR K
      - VARIAR K DE 1 A 20
      - LIMITAÇÕES
        
        PERFOMANCE
        
        CARACTERÍSTICAS IRRELEVANTES
        
        NECESSÁRIO TESTAR K E A DISTÂNCIA
    - - POUCOS DADOS DE TREINO
      - BOM PARA VÁRIOS ATRIBUTOS
      - COMERCIAL
      - PREVISÕES EM TEMPO REAL
      - TEOREMA DE BAYES CÁLCULO DA PROBABILIDADE CONDICIONAL
    - - LENTO
      - BOA ACURÁCIA
      - MODELA BEM FRONTEIRAS ENTRE DECISÕES COMPLEXAS E NÃO-LINEARES
      - NÃO ADEQUADO PARA MUITOS DADOS
      - MENOS PROPENSO A OVERFITIING
      - BEM COMERCIAL; RECONHECIMENTO DE VOZ, TEXTO
      - BUSCA UM HIPERPLANO PARA SEPARAR OS DADOS ATRAVÉS DE VETORES DE SUPORTE (CRIAR UMA OUTRA DIMENSÃO PARA SEPARAR OS DADOS)
      - O HIPERPLANO PODE SER USADO PARA CONSTRUIR UM CLASSIFICADOR (ESCOLHENDO A MELHOR RETA QUE SEPARA OS DADOS)
      - A MARGEM É DISTÂNCIA DE SEPARAÇÃO DOS DADOS
      - SOFT-MARGIN
        
        DA UMA FOLGA A MARGEM PARA NÃO CLASSIFICAR ERRADO
        
        PARÂMETRO C É A RIGIDEZ DA MARGEM: CONTROLA O TRADEOFF ENTRE TAMANHO DA MARGEM E ERRO DO CLASSIFICADOR
      - NA PRÁTICA O SVM É IMPLEMENTADO USANDO FUNÇÕES KERNEL: LINEAR, POLINOMIAL, RADIAL
      - SVM: MULTIPLAS CLASSES
      - MAIS PODEROSO
      - MAIS USADO PARA CLASSIFICAÇÃO
      - ALGORÍTIMO MAIS NOVO
      - MAIS LENTO
      - NÃO ADEQUADO PARA DATASETS GRANDES
      - MENOS OVERVITING
      - CRIAR FUNÇÃO PARA IDENTIFICAR AS CLASSES
      - EXISTEM INFINITAS RETAS PARA SEPARAR OS CONJUNTO DE DADOS, ENTÃO EXISTEM INFINITAS MARGENS. A MARGEM É EQUIDISTÂNCIA
      - CLASSIFICADOR LINEAR DE MARGEM MÁXIMA É A SOLUÇÃO DO PROBLEMA
      - OS VETORES DE SUPORTE SÃO OS PONTOS DE TOQUE DA FRONTEIRA DA MARGEM
      - O PROCESSO DE OTIMIZAÇÃO DOS BETAS PARA ACHAR A MARGEM MÁXIMA: QUANTO MAIOR A MARGEM MAIS SEGURANÇA NA CLASSIFICAÇÃO
      - AUMENTAR A MARGEM MELHORAMOS O OVERFITING
      - O PARÂMETRO SOFT-MARGIN AJUDA NA CLASSIFICAÇÃO PARA DAR UMA FOLGA
      - C É O PARAMETRO DE MARGEM E QUANTO MAIOR MAIS ELE ACEITA ERROS - TRADEOFF
      - KERNEL É A FORMA DE CRIAR A DIMENSÃO MAIOR. FACILITA O CLASSIFICADOR QUANDO CRIAMOS NOVAS DIMENSÕES JÁ QUE A FORMA DE MODELAR MATEMATICAMENTE FICA MAIS FÁCIL.
- - - - RMSE
      - MSE
      - R²
      - SQE
    - - CLASSIFICAÇÃO É UM CASO PARTICULAR DA REGRESSÃO
    - - RIDGE
      - LASSO
- - - - Estruturas principais: arrays e
        matrizes
      - Tratamento de dados numéricos
    - - Biblioteca para computação científica
      - Otimização
      - Estatística
    - - Manipulação de Dados estruturados ou
        tabulares
      - Excelente para pré processamento de
        dados
      - Estruturas principais: series e
        dataframes
    - - Gráficos básicos
      - Integração com outras bibliotecas
    - - Interface de alto nível
      - Código mais simples do que a
        Matplotlib