or
Este exercicio faz parte do curso
Neste capítulo, você vai ser apresentado a problemas de classificação e aprender a resolvê-los com técnicas de aprendizado supervisionado. Você vai aprender a dividir os dados em conjuntos de treino e teste, ajustar um modelo, fazer previsões e avaliar a acurácia. Você vai descobrir a relação entre complexidade do modelo e desempenho, aplicando o que aprender a um conjunto de dados de churn, no qual você vai classificar o status de churn dos clientes de uma empresa de telecom.
Neste capítulo, você será apresentado à regressão e vai construir modelos para prever valores de vendas usando um conjunto de dados sobre gastos com publicidade. Você vai aprender a mecânica da regressão linear e métricas de desempenho comuns, como R-quadrado e raiz do erro quadrático médio. Você vai realizar validação cruzada k-fold e aplicar regularização a modelos de regressão para reduzir o risco de overfitting.
Depois de treinar modelos, agora você vai aprender a avaliá-los. Neste capítulo, você será apresentado a várias métricas, além de uma técnica de visualização para analisar o desempenho de modelos de classificação usando scikit-learn. Você também vai aprender a otimizar modelos de classificação e regressão por meio de ajuste de hiperparâmetros.
Aprenda a imputar valores ausentes, converter dados categóricos em valores numéricos, escalar dados, avaliar vários modelos de aprendizado supervisionado simultaneamente e criar pipelines para agilizar seu fluxo de trabalho!
Exercicio Atual