Please enable JavaScript.

Coggle requires JavaScript to display documents.

11 - Aprendizado de Máquina (Machine Learning) - Coggle Diagram

- - - - Se os rótulos se referem a um conjunto infinito de valores numéricos contínuos (Ex: > R$100,00 ou
        < R$100,00), a tarefa se chama regressão
        
        Lembrar que se o algotirmo se referir a número, então estaremos falando de regressão linear
      - Já se os rótulos se referem a um conjunto finito e não ordenado de valores categóricos (Ex: Alto ou Baixo), a tarefa se chama classificação
        
        Regressão Logística
- - - - A vantagem dessas técnicas é permitir que o algoritmo de aprendizado de máquina entenda melhor
        as relações entre os dados e faça previsões mais precisas sem perda/acréscimo de dados
- - - - A regressão linear é a ferramenta estatística que nos ajuda a quantificar a relação entre uma variável
        específica e um resultado que nos interessa enquanto controlamos outros fatores.
      - Em essência, a regressão linear busca encontrar o
        “melhor encaixe” para uma relação linear entre duas variáveis*
      - A ideia do algoritmo é oferecer vários dados para que ele encontre a equação que melhor descreve e se ajusta aos dados, isto é, que minimize a variância dos erros em uma predição. A Regressão Linear utiliza tipicamente uma metodologia chamada de Mínimos Quadrados Ordinários (MQO)
      - os mínimos quadrados ordinários nos dão a melhor descrição de
        uma relação linear entre duas variáveis
      - O resultado não é somente uma reta, mas uma equação que descreve essa reta. Essa equação é conhecida como equação de regressão linear simples
      - Permite trabalhar apenas com dados quantitativos (contínuos) e, não, com dados qualitativos (categóricos)
      - , número de casos é um valor contínuo, logo se trata de uma
        regressão linear
    - - É um algoritmo de aprendizagem de máquina supervisionado utilizado para classificação (apesar de ter a palavra regressão em seu nome – cuidado com a pegadinha!).
      - Uma diferença fundamental entre uma regressão linear e uma regressão contínua é que a primeira
        retorna um valor contínuo e o segundo retorna um valor categórico
  - - - Trata-se de
        uma rede neural que organiza os perceptrons em uma única camada de processamento
      - Esse tipo de redes neurais é mais adequado para resolver problemas de classificação, porém apenas aqueles em que as classes são linearmente separáveis
      - Isso significa que ele só lida com situações
        em que é possível traçar ao menos uma linha reta separando classes em um plano coordenado
    - - Trata-se de uma arquitetura de redes neurais artificiais que utiliza múltiplas camadas de
        perceptrons
      - São utilizados perceptrons modernos, isto é,
        aqueles cuja função de ativação é uma função sigmóide
      - Aos dados de entrada são aplicados pesos, em seguida eles são sendo processados pela camada oculta até chegarem a um resultado de saída. Um exemplo resultado de saída poderia ser a probabilidade de uma pessoa ser do gênero masculino ou feminino, de forma que aquela que tivesse maior probabilidade seria a previsão do algoritmo
      - A ideia é que, após um grande número de iterações (repetições), os pesos estejam relativamente ajustados e a rede convirja para um ponto de estabilidade, isto é, há pouco ou nenhum ajuste dos pesos e os erros são bem mais raros. Quando chegamos nesse ponto, podemos utilizar essa rede neural para generalizar um problema para futuros novos dados de maneira assertiva.
    - - O backpropagation é indiscutivelmente o algoritmo mais importante na história das redes neurais
      - Etapa de Propagação: as entradas fluem através das camadas ocultas da rede neural e previsões
        são obtidas na camada de saída;
      - Etapa de Retropropagação: calcula-se o gradiente da função de custo/perda na camada de saída
        e ele é utilizado para atualizar os pesos (inclusive o viés) recursivamente.
- - - - Forma Exaustiva: essa técnica basicamente envolve testar o modelo de todas as formas possíveis – dividem-se os dados originais definidos em conjuntos de treinamento e teste (Ex: Leave-P-Out – LpO e Leave-One-Out – LoO).
        
        Basta saber que o LpO é uma abordagem que deixa de fora p observações ao fazer a validação cruzada, isto é, havendo n observações, haverá n-p amostras para treinamento e p observações são usadas pela validação. Já o LoO é um caso particular do LpO em que p = 1. Nesse caso, apenas uma observação é retirada do conjunto de treinamento ao fazer a validação cruzada
      - Forma não exaustiva: essa técnica também divide os dados originais definidos em conjuntos de treinamento e teste, mas isso não ocorre analisando todas as permutações e combinações possíveis (Ex: Holdout e K-Fold)
        
        Em suma: o método de validação cruzada denominado k-fold consiste em dividir o conjunto total de dados em k subconjuntos mutuamente exclusivos do mesmo tamanho e, a partir daí, um subconjunto é utilizado para teste e os k-1 restantes são utilizados para treinamento do modelo de predição. Este processo é realizado k vezes sendo que, ao final das k iterações, calcula-se a acurácia sobre os erros encontrados
        
        Note que a diferença fundamental entre o Método Holdout e o Método K-Fold é que o segundo faz diversas divisões diferentes dos dados para calcular o desempenho. Logo, cada subconjunto será utilizado para teste em algum momento
- - - - Podemos aumentar a complexidade do modelo;
        aumentar o tempo de treino; selecionar variáveis; reduzir a regularização
  - - - Podemos tomar algumas atitudes: utilizar mais dados de treinamento (com maior variedade); utilizar validação cruzada com vários modelos para detectar o melhor desempenho; realizar a combinação de múltiplos modelos diferentes (também chamado de ensemble); limitar a complexidade do modelo por meio de técnicas de regularização; adicionar ruído aleatório nos dados de treinamento para reduzir o ajuste
- - - - São descritivas
    - - A técnica de Regressão é do tipo PREDITIVA
    - - A técnica de classificação é do tipo PREDITIVA