Escolar Documentos
Profissional Documentos
Cultura Documentos
Conceitos fundamentais:
Aprendizado Supervisionado:
Uma regressão linear simples é aquela em que apenas uma variável independente é
usada para prever a variável dependente. Por exemplo, podemos estimar o peso de
uma pessoa usando sua altura. Por outro lado, uma regressão linear múltipla envolve
duas ou mais variáveis independentes para prever uma variável dependente. Por
exemplo, podemos usar a idade, altura e orientação sexual de uma pessoa para prever
seu peso.
Regreção Logistica
Uma técnica estatística conhecida como regressão logistica é usada para modelar a
relação entre uma variável dependente que pode ter apenas dois valores possíveis,
como "sim" ou "não" e uma ou mais variáveis independentes.
Em termos simples, a regressão logística é uma técnica que nos ajuda a prever a
probabilidade de ocorrência de um evento com base em variáveis associadas. Por
exemplo, podemos usar a regressão logística para prever a probabilidade de uma
pessoa passar em um exame com base em suas notas anteriores, nível educacional,
idade e sexo, entre outros fatores.
Análise Discriminante linear
Uma análise discriminante linear é uma técnica estatística usada para categorizar
indivíduos ou objetos em diferentes grupos com base em variáveis preditoras
quantitativas. É um método de aprendizado guiado que exige uma coleção de dados
manipulados para treinar o modelo.
Um conjunto de regras que especificam como deve ser feita a classificação das diversas
entidades serve de base para a criação de uma árvore de classificação. Essas regras são
apresentadas na forma de uma árvore, com cada nó representando um teste de um
atributo e cada ramificação uma escolha de resposta. Cada folha no final da árvore
representa uma classe ou categoria distinta. A árvore é construída iterativamente,
escolhendo o melhor atributo para dividir os dados em cada etapa. Já as árvores de
regressão funcionam de maneira semelhante, mas são usadas para prever valores
contínuos em vez de classes discretas. Cada nó da árvore representa um teste sobre
um atributo, e cada ramificação representa uma resposta diferente. No final da árvore,
as folhas representam os valores previstos para a variável de destino. A árvore é
construída de forma iterativa, selecionando o melhor atributo para dividir os dados e
minimizar o erro de previsão em cada etapa.
Naive Bayes
Dado o valor da variável de destino incerto, o modelo Naive Bayes pressupõe que cada
atributo (ou variável preditora) é independente de todos os outros atributos. Esta
hipótese simplifica significativamente o cálculo das probabilidades cumulativas dos
atributos e permite a construção rápida e eficaz do modelo.
Random Forest
Boosting