Please enable JavaScript.

Coggle requires JavaScript to display documents.

MÉTODOS E MODELOS - Coggle Diagram

- - - - *O método leave-one-out é um caso específico do k-fold, com k igual ao número total de dados N.
      - Nesta abordagem são realizados N cálculos de erro, um para cada dado.
      - apresentar uma investigação completa sobre a variação do modelo em relação aos dados utilizados
      - possui um alto custo computacional, sendo indicado para situações onde poucos dados estão disponíveis.
    - - Divide o conjunto total de dados em dois subconjuntos mutuamente exclusivos,
        
        Treinamento (estimação dos parâmetros)
        
        O indicado é que seja reservado 2/3 para o treinamento e 1/3 para o teste
      - Os dados de teste são aplicados e o erro de predição calculado.
      - É indicado quando está disponível uma grande quantidade de dados.
      - O indicado é que seja reservado 2/3 para o treinamento e 1/3 para o teste
    - - Divide o conjunto total de dados em k subconjuntos mutuamente exclusivos do mesmo tamanho
      - Um subconjunto é utilizado para teste e os k-1 restantes são utilizados para estimação dos parâmetros, fazendo-se o cálculo da acurácia do modelo.
      - Este processo é realizado k vezes alternando de forma circular o subconjunto de teste
      - Ao final das k iterações calcula-se a acurácia sobre os erros encontrados,
- - - - 20% para teste, escolhidos aleatoriamente.
      - De um modo geral, escolhe-se 80% dos dados de entrada para treino
    - - OVERFITTING
        
        Excelente desemprenho nos treinos
        
        O modelo mostra-se adequado apenas para os dados de treino
        
        Resultados ruins na fase de teste
        
        A máquina aprendeu muito bem as relações existentes no treino
        
        Decorou o que deveria ser feito e tenta aplicar as mesmas regras decoradas.
        
        Com dados diferentes o desempenho é afetado, já que não está seguindo as regras decoradas anteriormente
        
        Máquina bem treinada, mas sem capacidade de generalização
        
        O modelo aprende mais sobre os dados
        
        Mais difícil de ser identificado
      - UNDERFITTING
        
        O modelo não consegue encontrar relações entre as variáveis
        .
        
        Não há necessidade de que o teste aconteça devido ao fraco desempenho
        
        O modelo não conseguiu aprender suficiente sobre os dados
        
        Leva à um erro elevado tanto nos dados de treino quando nos dados de teste
        
        Mais fácil de ser identificado
      - Como identificar - Regressão Linear
        
        https://abracd.org/overfitting-e-underfitting-em-machine-learning/#:~:text=O%20underfitting%20leva%20%C3%A0%20um,aprende%20demais%20sobre%20os%20dados.
        
        https://didatica.tech/underfitting-e-overfitting/
- - - - Usa-se matriz de confusão quando uma variável que está sendo analisada é discreta, ou seja, não é continua.
        
        A matriz tem classes ou é binária
      - Obtendo-se amostras, podemos prever seus resultados. Tabelas de falo-positivos, tabela de cores, são exemplos de matriz de confusão.
      - Principais Métricas
        
        Acurácia
        
        Trata da soma dos acertos e, por fim, a divisão pela quantidade total da soma da quantidade de amostras
        
        Não induz a perfeição do modelo.
        
        Precisão
        
        A precisão é o número de resultados positivos verdadeiros dividido pelo número de todos os resultados positivos, incluindo aqueles não identificados corretamente
        
        Também é conhecida como valor preditivo positivo