Neste capítulo, você vai aprender o básico de como aplicar regressão logística e máquinas de vetores de suporte (SVMs) a problemas de classificação. Você vai usar a biblioteca <code>scikit-learn</code> para ajustar modelos de classificação a dados reais.

Revisão de scikit-learn

Classificação com KNN

Comparando modelos

Overfitting

Aplicando regressão logística e SVM

Executando LogisticRegression e SVC

Análise de sentimento para críticas de filmes

Classificadores lineares

Qual fronteira de decisão é linear?

Visualizando fronteiras de decisão

Neste capítulo, você vai descobrir a base conceitual por trás da regressão logística e das SVMs. Isso vai permitir que você aprofunde o entendimento do funcionamento interno desses modelos.

Classificadores lineares: os coeficientes

Como os modelos fazem previsões

Alterando os coeficientes do modelo

O que é uma função de perda?

A perda 0-1

Minimizando uma função de perda

Diagramas de funções de perda

Funções de perda para classificação

Comparando as perdas logística e hinge

Implementando regressão logística

Funções de perda

Neste capítulo, você vai se aprofundar nos detalhes da regressão logística. Você vai aprender tudo sobre regularização e como interpretar a saída do modelo.

Regressão logística e regularização

Regressão logística com regularização

Regressão logística e seleção de atributos

Identificando as palavras mais positivas e mais negativas

Regressão logística e probabilidades

Obtendo probabilidades de classe

Regularização e probabilidades

Visualizando exemplos fáceis e difíceis

Regressão logística multiclasse

Contando os coeficientes

Ajustando regressão logística multiclasse

Visualizando regressão logística multiclasse

SVM one-vs-rest

Regressão logística

Neste capítulo, você vai aprender todos os detalhes das máquinas de vetores de suporte. Você vai ver como ajustar hiperparâmetros desses modelos e usar kernels para ajustar fronteiras de decisão não lineares.

Vetores de suporte

Definição de vetor de suporte

Efeito de remover exemplos

SVMs com kernel

Aquecimento com GridSearchCV

Ajustando em conjunto gamma e C com GridSearchCV

Comparando regressão logística e SVM (e além)

Uma vantagem dos SVMs

Uma vantagem da regressão logística

Usando SGDClassifier

Conclusão

Máquinas de Vetores de Suporte

Neste curso, você vai aprender a usar classificadores lineares — especificamente regressão logística e máquinas de vetores de suporte (SVM) — com scikit-learn. Depois de ver como aplicar esses métodos, você vai explorar as ideias por trás deles e entender o que realmente faz tudo funcionar. Ao final, você saberá treinar, testar e ajustar esses classificadores lineares em Python. Também terá uma base conceitual para entender muitos outros algoritmos de Machine Learning.

Supervised Learning with scikit-learn

Neste curso, você aprenderá sobre classificadores lineares como regressão logística e SVM.

Classificadores Lineares em Python

Neste curso, você aprenderá os detalhes dos classificadores lineares, como regressão logística e SVM.

Cientista de machine learning em Python

Aprendizado de máquina supervisionado em Python

Uma vantagem dos SVMs

Classificadores Lineares em Python

Exercício interativo prático