Conteúdo do Curso

Ensemble Learning

1. Princípios Básicos da Construção de Modelos de Ensemble

O que é Ensemble de Modelos?Modelos de Bagging Modelos Impulsionadores Empilhamento de Modelos

2. Modelos de Bagging Comumente Utilizados

Classificador Bagging Desafio: Resolver Tarefa Usando Classificador de Bagging Regressão por Agregação Desafio: Resolvendo Tarefa com Regressor de Agregação Floresta Aleatória Desafio: Determinar a Importância das Características Usando Floresta Aleatória Árvores Extremamente Aleatórias

3. Modelos de Boosting Mais Usados

Classificador AdaBoost Desafio: Solução de Tarefas Usando Classificador AdaBoost Desafio: Resolver Tarefa Usando AdaBoost Regressor Boosting de Gradiente XGBoost Desafio: Resolução de Tarefa Usando XGBoost

4. Modelos de Empilhamento Comumente Utilizados

Classificador Stacking Desafio: Resolução de Tarefas Usando Classificador de Empilhamento Desafio: Resolvendo Tarefa Usando Regressor de Empilhamento Usando Conjuntos como Modelos Base Resumo do Curso

Ensemble Learning

Desafio: Determinar a Importância das Características Usando Floresta Aleatória

O Random Forest pode determinar as importâncias das características, e essa é uma de suas funcionalidades úteis. A importância da característica é uma medida que quantifica a contribuição de cada característica no conjunto de dados para o desempenho preditivo do modelo Random Forest. Para determinar a importância da característica, devemos seguir as etapas a seguir:

Treinar o modelo Random Forest com o conjunto de dados necessário.
Utilizar o atributo .feature_importances_ do modelo treinado para obter os valores de importância de todas as características. Este atributo retorna uma matriz de valores, cada um correspondendo à importância de uma característica específica no conjunto de dados. Os valores são normalizados e somam 1, facilitando a comparação da importância relativa de diferentes características.

Tarefa

O conjunto de dados 'heart_disease' é comumente utilizado para tarefas de classificação binária em aprendizado de máquina. Ele contém vários atributos médicos relacionados à saúde dos pacientes e visa prever a presença ou ausência de doenças cardíacas em um indivíduo.

Sua tarefa é determinar a importância das características do conjunto de dados de doença cardíaca:

Utilize a classe RandomForestClassifier para criar um modelo.
Ajuste o classificador ao conjunto de dados.
Descubra a importância de todas as características.

Tudo estava claro?

Seção 2. Capítulo 6

Conteúdo do Curso

Ensemble Learning

1. Princípios Básicos da Construção de Modelos de Ensemble

O que é Ensemble de Modelos?Modelos de Bagging Modelos Impulsionadores Empilhamento de Modelos

2. Modelos de Bagging Comumente Utilizados

3. Modelos de Boosting Mais Usados

4. Modelos de Empilhamento Comumente Utilizados

Ensemble Learning

Desafio: Determinar a Importância das Características Usando Floresta Aleatória

Treinar o modelo Random Forest com o conjunto de dados necessário.
Utilizar o atributo .feature_importances_ do modelo treinado para obter os valores de importância de todas as características. Este atributo retorna uma matriz de valores, cada um correspondendo à importância de uma característica específica no conjunto de dados. Os valores são normalizados e somam 1, facilitando a comparação da importância relativa de diferentes características.

Tarefa

Sua tarefa é determinar a importância das características do conjunto de dados de doença cardíaca:

Utilize a classe RandomForestClassifier para criar um modelo.
Ajuste o classificador ao conjunto de dados.
Descubra a importância de todas as características.

Tudo estava claro?

Seção 2. Capítulo 6