Tipo de aprendizagem supervisionada utilizada para modelos de classificação. O objetivo é criar um modelo que prevê o valor de uma variável de destino, aprendendo regras de decisão simples inferidas a partir dos recursos de dados.
Leia mais sobre Árvores de Decisão no site scikit-learn.org.
Uma maneira de “ver” como um algoritmo desse tipo classifica é relembrar do jogo “Jezzball” que vinha antigamente no Windows, toda vez que se divide o ambiente no jogo seria a segmentação de duas populações diferentes. Árvores de decisão funcionam de maneira parecida, dividindo a população.
Embedar o vídeo abaixo

Exemplo de implementação em python de um modelo de regressão polinomial:

Uma técnica de Machine Learning para classificação. Ele calcula para os vetores de entrada uma /plano/hiperplano que as separa, ou seja, é um classificador linear binário não probabilístico. Há como melhorar seu kernel e preparar o modelo para criar regiões de aprendizado em dados mais complexos, porém deixarei para artigos futuros.
Para os mais matemáticos, uma imagem bastante clara segue abaixo.

Ref: https://www.saedsayad.com/support_vector_machine.htm

Support Vector Machines: localizando os vetores de suporte de dois limites para encontrar uma tolerância máximahiperplano. Bastante usado para classificação de textos “text classification”

 

 

Ref: “Data Science With Python” – Universidade de Michigan

 

Exemplo de implementação em python de um modelo de regressão polinomial:

Apesar do nome, não há uma aproximação para coeficientes de uma equação aqui e sim uma probabilidade de ocorrer um evento dado um ajuste dos dados em uma função “logit”. Ou seja, um conjunto de fatores se relacionam e teremos uma probabilidade de ocorrer um evento.

Funções com essa forma são bastante conhecidas na matemática, no limite se tornam funções "degrau", que usamos em problemas interessantes em muitas áreas. É uma função muito utilizada para cálculo de Score de Propensão (SP) e  Mensuração em Comunicação de Marketing (MCM). Falarei ainda dessas relações no futuro, pois há uma sobreposição de conhecimentos interessantes envolvendo diversas áreas. O importante é saber que a saída da regressão logística é uma medida de probabilidade, logo estará entre 0 e 1.

Leia sobre regressão logística na Wikipedia!

 

 

Exemplo de implementação em python de um modelo de regressão polinomial:

© 2021 Estudo de Dados
Desenvolvido por Freshlab Agência Digital

linkedin facebook pinterest youtube rss twitter instagram facebook-blank rss-blank linkedin-blank pinterest youtube twitter instagram