Please enable JavaScript.

Coggle requires JavaScript to display documents.

Algoritmos de Classificação - Coggle Diagram

- - - - É um algoritmo de classificação baseado no teorema de Bayes. Ele considera todas as características de um objeto de dados independentes umas das outras.
      - Teorema de Bayes
        
        P(A|B) = (P(B|A)P(A))/P(B)
    - - É um algoritmo de CLASSIFICAÇÃO e não de regressão que prever a probabilidade de um exemplo pertencer a uma determinada classe. Ela é adequada quando a variável de saída desejada é CATEGÓRICA, ou seja, tem valores DISCRETOS (classificação binária), como "sim" ou "não", "verdadeiro" ou "falso", ou classes como "gato", "cachorro" ou "pássaro".
      - Utiliza uma função logística (função sigmoide) para modelar a relação entre as variáveis independentes (recursos ou características) e a probabilidade da classe. A função sigmoide transforma os valores em um intervalo entre 0 e 1, representando a probabilidade de pertencer à classe positiva
      - Técnica da máxima verossimilhança
    - - A LDA busca encontrar um hiperplano ótimo que utiliza uma regra de decisão baseada na distância entre a média das projeções das classes e o ponto a ser classificado. O ponto é então atribuído à classe com a menor distância. A LDA pode ser aplicada tanto para problemas de classificação binária como para problemas de classificação multiclasse.
      - A LDA é diferente das Máquinas de Vetores de Suporte (SVMs) em termos de abordagem. Enquanto as SVMs buscam encontrar um hiperplano que maximize a margem entre as classes, a LDA procura encontrar um hiperplano que maximize a separação entre as classes projetando os dados em um espaço de menor dimensão. Portanto, a LDA pode ser vista como uma técnica de redução de dimensionalidade e classificação simultânea.
- - - - Mapeia e armazena todos os objetos do conjunto de treinamento em um espaço n-dimensional
      - O “k” determina o número de vizinhos que serão utilizados para a classificação.
      - É um algoritmo que classifica novos dados com base em uma medida de similaridade entre seus “vizinhos” mais próximos, ou seja, aqueles que têm características semelhantes às suas.
    - - Random Forest (Florestas aleatórias ou florestas de decisão aleatória) é a construção e de um conjunto de árvores de decisão durante o treinamento, pode soluciona problemas de classificação e de regressão
      - Representa uma série de decisões e escolhas na forma de uma árvore. Usa os atributos de um objeto para decidir em qual classe o objeto se encontra. Sendo as folhas o resultado da árvore. Permite a visualização gráfica das possibilidades ou alternativas de decisões.
    - - A ideia principal por trás das SVMs é encontrar um hiperplano de separação ótimo que maximize a margem entre as classes. O hiperplano é uma superfície de decisão que divide o espaço de características em regiões correspondentes a cada classe. As SVMs procuram encontrar o hiperplano que alcança a maior separação possível entre as classes, reduzindo assim o risco de erro de classificação em dados não vistos.
      - São usados em tarefas de classificação e regressão, sendo capazes de aprender a separar dados em diferentes classes ou prever valores contínuos com base em um conjunto de treinamento