Escolar Documentos
Profissional Documentos
Cultura Documentos
Matricula: E01535
Turno: Noite
Turma: CCNA7
R: Para a indentação e para que possamos fazer a classificação de cada uma de forma sucinta e
organizada, com o proposito de deixar nossos dados mais “Visíveis”, alem de deixarmos os
dados mais padronizados para podermos melhorar a analise e tomada de decisão
2) Explicar scaler.fit()
R: Esta função tem como objetivo ajustar os dados tratados para que possamos aplicá-los em
gráficos e no tratamento dos mesmos
3) Explicar a execução scaled_features e df_feat (o que ele está salvando em cada um)
R:
R: A matriz de confusão, as linhas são dadas como “Amostras” e as colunas como “Previsto”,
como um mediador, dado positivo e negativo para ambos.
Previsto
VERDADEIRO FALSO
VERDADEIRO Verdadeiro Positivo Falso Negativo
Amostra FALSO Verdadeiro Negativo Falso Positivo
Em suma podemos ser dados como “previsões”, se foi previsto que a amostra era positiva e
nosso acerto foi positivo, então é um verdadeiro positivo, mesma coisa no caso de previsões
Falsas que são negativas(Falso Positivo). Em casos em que tanto a amostra quanto o previsto
possuem divergência seriam resultados falsos, não tiveram sucesso nesta previsão.
É utilizado para que possamos ver os parâmetros de precisão de nosso algoritmo, com cada
parâmetro sendo um conceito:
Precision: Precisão dos nossos dados, com base em quão próximos da veracidade estão
Recal: Define a taixa de verdadeiros positivos (True positive) e falso negativo(true
Negative)
F1 Score: Seria dado um peso de acordo com os acertos que temos em nosso
algoritmo, sendo o mesmo dado em porcentagens de 0 a 1, sendo o melhor caso mais
próximo de 1
Suport: Seria o número de ocorrências desta determinada classe avaliada