Escolar Documentos
Profissional Documentos
Cultura Documentos
MODELOS
Data Science
Prof. Genaro Lins
Roteiro
Regressão Gradiente
Linear Descendente
Regressão Curvas de
Polinomial Aprendizado
Modelos
Regressão
Lineares
Logística
Regularizados
Regressão Curvas de
Polinomial Aprendizado
Modelos
Regressão
Lineares
Logística
Regularizados
• Forma fechada
• Gradiente Descendente
Modelo
• 𝑦! - valor previsto
• 𝑛 – número de características
• 𝑥$ - valor da 𝑖 − é𝑠𝑖𝑚𝑎 característica
Linear
• 𝜃% - parâmetro 𝑗 do modelo
Ou na notação vetorial
Achar o
melhor 𝜃
PROF. GENARO LINS
COMO
TREINAMOS O
MODELO ?
Vamos
Iniciar
com
RMSE
PROF. GENARO LINS
%
ACHANDO
1 '
min 𝑀𝑆𝐸 𝑋, 𝜃 = - 𝜃& . 𝑥 " −𝑦 "
! 𝑚"
"#$
∗
O 𝜃 QUE
MINIMIZA E a solução:
O RMSE
𝜃∗ = 𝑋4 $ 𝑋 56 $ 𝑋4 $ 𝑦
SE EXISTE UM 𝑥!
MUITO
CORRELACIONADO
COM UM 𝑥" ?
A matriz não
seria invertível
Regressão Curvas de
Polinomial Aprendizado
Modelos
Regressão
Lineares
Logística
Regularizados
• Normalização : 𝜇 = 0 𝑒 𝜎 ' = 1
• Subtrai-se a média e divide-se
pela variância.
18
EFEITO DO
ESCALONAMENTO DAS
CARACTERÍSTICAS
PARA O MÉTODO GD
APRENDIZADO
DIFERENTES...
Taxa de
Aprendizado Alta
Regressão Curvas de
Polinomial Aprendizado
Modelos
Regressão
Lineares
Logística
Regularizados
FAZENDO A REGRESSÃO
Regressão Curvas de
Polinomial Aprendizado
Modelos
Regressão
Lineares
Logística
Regularizados
• Erro Irredutível
Regressão Curvas de
Polinomial Aprendizado
Modelos
Regressão
Lineares
Logística
Regularizados
I
1
𝐽 𝜃 = 𝑀𝑆𝐸 𝜃 + 𝛼 $ $ . 𝜃GJ
2
GH6
I
𝐽 𝜃 = 𝑀𝑆𝐸 𝜃 + 𝛼 $ . 𝜃G
GH6
Regressão Curvas de
Polinomial Aprendizado
Modelos
Regressão
Lineares
Logística
Regularizados
VIRTUDES
- SIMPLICIDADE
ESTIMANDO DEFEITO
ENCONTRAMOS
...
UM VALOR DE
PROBABILIDADE • 𝑋-" - DUMMY FUNCIONRIO PUBLICO
NEGATIVO
ENCONTRAMOS
...
UM VALOR DE
PROBABILIDADE )
• 𝑋". - DUMMY NEGATIVADO
MAIOR QUE 1
1
𝜎 𝑡 =
1 + 𝑒 (/
Função
custo • A função custo para tido o conjunto de
treinamento é a soma nas instâncias:
VAMOS MODELAR A
PROBABILIDADE DE COM BASE
NO COMPRIMENTO DA PÉTALA
A CLASSIFICAÇÃO DO TIPO DE
FLOR:
IRIS- VIRGÍNICA
OU
1 !" #
• 𝑝̂0 = 𝜎 𝑠0 𝑥 = !$ #
∑'
$%& 1
• K é o numero de classes
• 𝑠0 𝑥 é o vetor de pontuação para
a instância x na previsão do item
k.
• 𝜎 𝑠0 𝑥 é a probabilidade
estimada de que a instancia x
pertença a classe k