Questões Teóricas

Trata-se de escolher o número ótimo de clusters no KMeans.

É o equilíbrio entre a flexibilidade de um modelo e sua capacidade de generalizar para dados não vistos.

É a compensação entre a regularização L1 e L2.

É a decisão entre interromper o treinamento mais cedo ou treinar por mais épocas.

Trata-se de uma técnica de regularização que envolve a magnitude dos coeficientes.

É um método para prevenir o sobreajuste, terminando o treinamento assim que uma determinada condição é atendida, geralmente quando a perda de validação começa a aumentar.

É uma técnica para equilibrar conjuntos de dados.

A normalização se refere a fazer com que os dados sigam uma distribuição gaussiana, enquanto a padronização ajusta a amplitude dos dados.

A escalada envolve converter dados para um intervalo entre 0 e 1, enquanto a normalização torna os dados centrados em zero.

Tanto a normalização quanto a escala ajustam a amplitude dos dados para entre 0 e 1.

Ele treina o modelo em todo o conjunto de dados e, em seguida, testa no mesmo conjunto de dados.

Ele divide o conjunto de dados em 'k' partições iguais e utiliza cada partição como um conjunto de teste, enquanto as partes restantes como conjunto de treinamento, iterando 'k' vezes.

Ele treina o modelo uma vez em um subconjunto aleatório e testa nos dados restantes.

Ele testa o modelo 'k' vezes no mesmo conjunto de validação após treinar em todo o conjunto de dados.

A precisão é o número de verdadeiros positivos dividido pelo número de verdadeiros positivos mais falsos negativos, enquanto a revocação (recall) é o número de verdadeiros positivos dividido pelo número de verdadeiros positivos mais falsos positivos.

A precisão mede o número de previsões corretas, enquanto a revocação mede o número de previsões falsas.

A precisão foca na exatidão das predições positivas, enquanto a revocação (recall) concentra-se em capturar o maior número possível de positivos.

Diferentes tipos de modelos para cada conjunto.

Modelos do mesmo tipo para cada conjunto.

Exclusivamente para Árvores de Decisão.

Exclusivamente para Redes Neurais superficiais.

Ele constrói múltiplas árvores de decisão e faz a média dos seus resultados.

Constrói uma única árvore de decisão com seleção aleatória de características.

Ele utiliza aleatoriedade para escolher a profundidade de uma única árvore de decisão.

Potencialização

Ensacamento

Empilhamento

Escalonamento

Recomendando produtos para compradores online.

Filtrando e-mails de spam.

Diagnóstico de uma doença rara e letal.

Identificando anúncios adequados para usuários com base no histórico de navegação deles.