Dados para alimentar um modelo

Lição 2 de 19 do curso Introdução ao aprendizado de máquina da Coddy.

Em Machine Learning, os dados desempenham um papel crucial no treinamento e desenvolvimento de modelos. Para alimentar um modelo com dados, eles são normalmente organizados em um formato estruturado conhecido como dataset (um DataFrame no pandas).

Um dataset consiste em duas partes principais:

Features - Um conjunto de colunas que representam um conjunto de dados
Target variable - Representa a saída ou o valor que o modelo visa prever ou estimar.

Por exemplo, aqui está uma tabela de Clima (Weather)

id	degrees (C)	humidity (%)	wind (KM/H)	is_rain
1	23	5	14	True
2	30	10	17	False
3	15	3	12	False
4	20	12	5	False
5	26	57	23	True

Supondo que queiramos saber se vai chover, as features são degrees, humidity, wind, e a variável alvo é is_rain.

As features são denotadas como X, e o alvo é denotado como y.
A variável alvo (y) pode conter qualquer tipo de dado - número, booleano, string, etc.

Durante o processo de treinamento, o modelo usa as features como entrada, e a variável alvo como a "ground truth" (verdade fundamental) ou a saída correta.

Sem uma variável alvo, o modelo não teria como saber se suas previsões estão corretas ou não.

Existem muitas variações diferentes na estrutura de datasets:
Muitas features, uma única variável alvo
Uma única feature, uma única variável alvo
Muitas features, muitas variáveis alvo
Poucas features, uma ou múltiplas variáveis alvo
Nenhuma variável alvo
Dados de séries temporais
etc.

Aprendizado supervisionado envolve datasets com pares de entrada-saída, onde o algoritmo aprende a mapear entradas para as variáveis alvo correspondentes.

Aprendizado não supervisionado não envolve variáveis alvo; em vez disso, ele busca padrões ou estruturas nos dados de entrada sem exemplos rotulados.

é crucial garantir que a variável alvo seja independente das outras colunas, pois qualquer dependência poderia levar ao vazamento de dados (data leakage) e resultar em um desempenho enganosamente alto durante o treinamento. Um modelo preditivo verdadeiro deve aprender com features que não estão diretamente relacionadas ao alvo, preservando assim a integridade e a generalização das previsões do modelo.
Uma variável alvo independente não pode ser calculada ou derivada diretamente das outras colunas em seu dataset; é o que você pretende prever.

Teste seus conhecimentos

Esta lição inclui um quiz rápido. Comece a lição para respondê-lo e acompanhar seu progresso.

Teste seus conhecimentos

Esta lição inclui um quiz rápido. Comece a lição para respondê-lo e acompanhar seu progresso.

Teste seus conhecimentos

Esta lição inclui um quiz rápido. Comece a lição para respondê-lo e acompanhar seu progresso.

Desafio

Fácil

Você recebeu um arquivo CSV chamado galactic_zoo_no_target.csv. Este conjunto de dados não possui uma variável alvo.

Neste desafio, você criará sua própria variável alvo. Crie uma coluna chamada ComplexityIndex derivada da fórmula: WaterCoverage * HabitatDiversity / PlanetMass. Em seguida, remova as colunas WaterCoverage, HabitatDiversity e PlanetMass, pois elas agora são representadas pelo ComplexityIndex.

Para passar no desafio não imprima nada, nós verificamos a variável df internamente.

Experimente você mesmo

# pandas as pd já está importado
df = pd.read_csv("galactic_zoo_no_target.csv")
# Escreva seu código abaixo

Todas as lições de Introdução ao aprendizado de máquina

1O Início da Jornada em ML

Introdução a MLDados para alimentar um modeloO que é um modelo de ML

4Algoritmo K-Means

Introdução ao K-Means método fit método predict

2Visão geral de Machine Learning

Aprendizado supervisionado Aprendizado não supervisionado

5Naive Bayes

Introdução ao Naive Bayes método fit método predict

3K-Vizinhos Mais Próximos (KNN)

Introdução ao KNN método fit método predict

6Outros Modelos

Regressão Logística Regressão Linear Árvore de Decisão Máquina de Vetores de Suporte (SVM)Questionário sobre Modelos

Pratique por conta própria: Compilador de Python online