Problemas de classificação

Name: Problemas de classificação
Author: Briana Brownell

Aprenda sobre o processo de construção de modelos e problemas de classificação multiclasse

Preview the first lesson free — get full access to all 6 lessons.

Curso: sob demanda

Neste capítulo, falaremos sobre problemas de classificação em geral, e dar-lhe alguma intuição sobre como configurar seu problema de modelagem de classificação, e algumas considerações básicas para os tipos de dados que você precisará para resolver esses tipos de problemas. Vamos imaginar que queremos criar um modelo de classificação simples para determinar se uma fruta ou vegetal específico é uma laranja ou não. Então, temos uma lista de diferentes tipos de frutas, e analisamos alguns recursos diferentes que provavelmente serão importantes na classificação se a fruta ou vegetal é de fato uma laranja. Então temos três aqui, a cor, a fatia, a forma, bem como o tamanho total. E combinando esses três recursos diferentes, podemos determinar se ou não a fruta ou vegetal é de fato uma laranja. Então você pode imaginar o modelo do classificador seria algo como este fluxograma. Então, estamos inicialmente olhando para a cor para determinar se é laranja ou não, em seguida, olhando para a fatia vertical, e, finalmente, o tamanho para tomar essa decisão quanto a se a fruta ou o legume é na verdade uma laranja. Esta é uma representação abstrata da forma como um modelo classificador pode funcionar. Então, neste caso, temos um fluxograma, onde ele toma uma decisão e depois passa para a próxima. Esse não é um componente necessário para todos os modelos. Às vezes, em vez de um fluxograma, você poderia ter algumas dessas decisões sendo feito em paralelo, mas para representar o que está acontecendo na criação do classificador, é mais fácil visualizá-lo como uma espécie de fluxograma. Ok, então vamos ver como isso funciona. Então, começando com um limão, inicialmente olhamos para a cor da fruta ou vegetal, e porque é verde, imediatamente sabemos que não é uma laranja. Então que tal uma cenoura? Então, como a cor é laranja, estamos nos movendo para o segundo estágio, a forma da fatia vertical. Neste caso, como a cenoura é pontiaguda, agora sabemos que a forma da fatia vertical é pontiagudo ou triangular, e assim sabemos que isso não está de fato em laranja. Ok, mas e uma abóbora? Desta vez, temos a cor laranja. A forma da fatia vertical é arredondada, mas aqui, ele falha no último critério, que é o tamanho. Como é grande, nosso classificador diz que não é uma laranja, o que é claro, correto. Mas quando nosso classificador de fato vê uma laranja, todos esses três atributos estão corretos, então temos a cor laranja, a forma da fatia vertical é arredondada, e o tamanho é médio. E então nosso classificador dirá corretamente que o fruto em questão é de facto uma laranja. Então agora você viu um modelo de classificação simples, um classificador que determinará se uma fruta ou legume é de fato uma laranja. E este classificador pode ser usado como exemplo para modelar a maneira como qualquer classificador pode funcionar.

Intermediário Fornecedor : Briana Brownell 6 lições · 27m em Árabe, Alemão, Inglês, Espanhol, Francês, Português, Chinese

Descrição do curso

Estas lições explicarão o processo típico de construção de modelo em referência ao pipeline do modelo de classificação. Também receberá uma introdução aos problemas de classificação binária e multiclasse e as maneiras pelas quais estes são melhor usados. Aprenderá a usar a engenharia de recursos para descobrir as melhores entradas de dados para os seus modelos de classificação.

Além disso, estas lições discutirão e descreverão a modelagem com métricas de qualidade. Aprenderá como avaliar a qualidade de um modelo de classificação e como validar um modelo de classificação antes da sua implantação.

O Que Você Vai Aprender

Seguir o processo típico para construir um modelo de classificação, desde o pipeline de construção do modelo até a implantação
Aplicar engenharia de features para identificar as melhores entradas de dados para modelos de classificação
Distinguir entre problemas de classificação binária e multiclasse e quando cada um é mais bem usado
Avaliar o desempenho do modelo de classificação usando métricas de qualidade do modelo
Validar um modelo de classificação antes de implantá-lo
Construir modelos de classificação para problemas de classificação binária e multiclasse

Principais Conclusões

O curso explica o processo típico de construção de modelos em referência ao pipeline do modelo de classificação.
Engenharia de features é usada para descobrir as melhores entradas de dados para modelos de classificação.
Problemas de classificação binária e multiclasse diferem, e cada um tem cenários nos quais é mais bem usado.
Métricas de qualidade permitem que você avalie a qualidade de um modelo de classificação.
Um modelo de classificação deve ser validado antes de sua implantação.

Perguntas Frequentes

O que este curso cobre?

Cobre o processo típico de construção de modelos para o pipeline do modelo de classificação, uma introdução aos problemas de classificação binária e multiclasse, engenharia de features para escolher as melhores entradas de dados, modelagem com métricas de qualidade e métodos de validação de modelo.

Qual é a diferença entre classificação binária e multiclasse coberta aqui?

O curso introduz problemas de classificação binária e multiclasse e discute as maneiras pelas quais cada um é melhor usado.

Como o curso aborda a qualidade do modelo e prontidão para implantação?

Discute e descreve modelagem com métricas de qualidade, ensinando como avaliar a qualidade de um modelo de classificação e como validar um modelo de classificação antes de sua implantação.

Quais habilidades vou ganhar com este curso?

Você desenvolverá habilidades em Classificação de Dados, Engenharia de Features, Aprendizado de Features, Seleção de Features, Treinamento de Modelo de Aprendizado de Máquina e Classificação Estatística.

Quais tópicos são ensinados nas lições?

As lições cobrem o processo de construção de modelo, engenharia de features, problemas de classificação binária, métricas de qualidade do modelo, problemas de classificação multiclasse e métodos de validação de modelo.