1. Aprender
    2. /
  2. Cursos
    3. /
  3. Aprendizado Supervisionado com o scikit-learn
  • 1

    Classificação

    Gratuito

    Neste capítulo, será feita uma introdução aos problemas de classificação e você aprenderá a resolvê-los usando técnicas de aprendizado supervisionado. Você vai aprender a dividir os dados em conjuntos de treinamento e teste, ajustar um modelo, fazer previsões e avaliar a precisão. Você descobrirá a relação entre complexidade e desempenho do modelo, aplicando o que aprendeu a um conjunto de dados de cancelamento de assinaturas, no qual classificará a situação dos cancelamentos de clientes de uma empresa de telecomunicações.

  • 2

    Regressão

    Este capítulo introduz o conceito de regressão, e você vai criar modelos para prever valores de vendas usando um conjunto de dados sobre gastos com publicidade. Você aprenderá como funcionam a regressão linear e métricas de desempenho comuns, como R-quadrado e raiz do erro quadrático médio. Você vai fazer a validação cruzada com k subgrupos (k folds) e aplicar a regularização a modelos de regressão para reduzir o risco de sobreajuste.

  • 3

    Refinamento do modelo

    Depois de treinar os modelos, agora você aprenderá a avaliá-los. Neste capítulo, são apresentadas várias métricas e uma técnica de visualização para analisar o desempenho do modelo de classificação usando o scikit-learn. Você também aprenderá a otimizar modelos de classificação e regressão por meio do ajuste de hiperparâmetros.

  • 4

    Pré-processamento e pipelines

    Saiba como imputar valores faltantes, converter dados categóricos em valores numéricos, fazer o escalonamento de dados, avaliar vários modelos de aprendizado supervisionado de maneira simultânea e criar pipelines para otimizar o fluxo de trabalho!

Initializing

Exercicio

Avaliação de um classificador para previsão de diabetes

Neste capítulo, você vai trabalhar com o conjunto de dados diabetes_df apresentado anteriormente.

O objetivo é prever se cada indivíduo tem ou não probabilidade de apresentar diabetes com base nas variáveis independentes índice de massa corporal (BMI, Body Mass Index) e idade (em anos). Portanto, trata-se de um problema de classificação binária. Uma variável dependente com valor igual a 0 indica que o indivíduo não tem diabetes, enquanto o valor 1 indica que o indivíduo tem diabetes.

diabetes_df foi pré-carregado para você como um DataFrame do pandas e dividido em X_train, X_test, y_train e y_test. Além disso, um KNeighborsClassifier() foi instanciado e atribuído a knn.

Você deve ajustar o modelo, fazer previsões com base no conjunto de testes e, em seguida, gerar uma matriz de confusão e um relatório de classificação.

Instruções

100 XP
  • Importe confusion_matrix como classification_report.
  • Ajuste o modelo aos dados de treinamento.
  • Preveja os rótulos do conjunto de teste, armazenando os resultados como y_pred.
  • Calcule e imprima a matriz de confusão e o relatório de classificação para os rótulos de teste em comparação com os rótulos previstos.