Machine Learning Flashcards
Quando surgiu o termo “Inteligência Artificial”?
Com John McCarthy em 1956.
Qual a diferença entre “artificial intelligence”, “machine learning” e “deep learning”?
A inteligência artificial trata de programas que podem sentir, raciocinar, agir e se adaptar a fim de imitar a inteligência humana por meio de diversas técnicas.
O aprendizado de máquina trata de algoritmos cujo desempenho melhoram à medida que eles são expostos a mais dados no decorrer do tempo.
O Aprendizado de Máquina (Machine Learning) é a ciência e a arte de programar computadores para que eles possam aprender com os dados, computadores tem a capacidade de aprender sem ser explicitamente programado.
O que é programação tradicional?
É aquele processo manual de escrever um conjunto de regras em uma sequência de passos – também chamado de algoritmo – utilizando uma linguagem de programação para que o computador as execute sobre um conjunto de dados de entrada a fim de produzir um conjunto de resultados de saída.
Quanto mais exemplos de resultados você oferece a máquina, mais o algoritmo é treinado, mais regras são aprendidas e mais ajustado se torna o modelo.
Esse processo é chamado de:
treinamento.
Qual a etapa que vem após a etapa de treinamento? Descreva.
Etapa de inferência. Se utiliza uma programação bem próxima à programação tradicional com regras aprendidas na etapa anterior e novos dados para gerar inferir resultados. A inferência trabalha com probabilidades e não com afirmação. Ela vai dizer se determinado algoritmo tem baixa ou alta probabilidade.
Quem “treina” os algoritmos?
O cientista de dados.
Qual a fase mais custosa, a de treinamento ou a de inferência?
A de treinamento porque será colocado a maior quantidade de dados possíveis.
CERTO OU ERRADO
A máquina pode aprender com seus erros e fazer inferência sobre dados.
CERTO!
O modelo (treinado) é um objeto computacional que efetivamente transforma uma observação (variáveis independentes) em uma (1) utilizando um (2), (3) e (4).
O modelo (treinado) é um objeto computacional que efetivamente transforma uma observação (variáveis independentes) em uma previsão utilizando um algoritmo específico, instanciado e treinado.
O que é o Responsible IA (Inteligência Artificial Responsável)?
Uma abordagem para o desenvolvimento e uso de sistemas de Inteligência Artificial.
Quais os impactos que o Responsible IA leva em consideração?
Éticos, sociais e ambientais.
Quais os objetivos da Responsible IA?
1) Garantir que os sistemas de IA sejam desenvolvidos e utilizados de forma ética e legalmente responsável, respeitando os direitos e privacidade das pessoas e minimizando os impactos negativos sobre a sociedade.
2) Promover a transparência e explicabilidade das decisões tomadas por sistemas de IA, permitindo que as pessoas entendam como as decisões foram tomadas e possam contestá-las se necessário.
3) Promover a equidade e inclusão, considerando aspectos sociais e garantindo que os sistemas de IA não discriminem ou prejudiquem grupos ou indivíduos e promovam a diversidade e a inclusão na IA.
4) Garantir a segurança e confiabilidade dos sistemas de IA, minimizando o risco de prejuízos para as pessoas ou a sociedade em geral.
Qual a diferença entre IA Responsável e IA Explicável?
IA Explicável refere-se à capacidade de explicar como uma decisão foi tomada pelo modelo de IA para os usuários entenderem como foram feitas as tomadas de decisão.
Quais os princípios e práticas da IA responsável?
Não há uma consolidação ainda. Mas são algumas das consideradas por grandes organizações:
- Transparência
- Explicabilidade ou Interpretabilidade
- Privacidade/Segurança
- Responsabilização
- Inclusividade/diversidade
- Justiça/equidade
- Confiabilidade/uso seguro
Os dados, o sistema e os modelos de negócios de IA devem ser transparentes e há um mecanismo que pode ajudar a alcançar isso.
Que mecanismo é esse?
Mecanismo de rastreabilidade.
O que é a Explicabilidade em IA Responsável?
Como e por que a IA chegou a determinada conclusão, tornando a tomada de decisão mais transparente e compreensível e explicada para pessoas não conhecedoras.
A explicabilidade é especialmente importante em áreas onde as decisões da IA têm implicações significativas para os indivíduos em determinadas áreas.
Como essa falta de explicabilidade pode afetar pode afetar a confiança na IA?
A falta de explicabilidade em áreas como justiça, crédito, saúde, financeira, por exemplo, pode levar a decisões injustas ou discriminatórias.
CERTO OU ERRADO
A explicabilidade é considerada fundamental da Responsabilidade AI.
CERTO!
Apesar de grande parte da doutrina considerar Explicabilidade e Interpretabilidade sinônimos, há uma parcela que as diferenciam. Explique.
A interpretabilidade tem relação com a facilidade de se estabelecer uma relação de causa e efeito nas predições, ou seja, a capacidade de predizer o que vai acontecer em função dos dados e parâmetros fornecidos como entradas.
A explicabilidade pode denotar a medida em que o funcionamento do modelo em si pode ser explicado para pessoas não especialistas, ou ao menos as previsões geradas pelo modelo podem ser explicadas.
O que é a Privacidade na IA Responsável?
Se refere à proteção dos dados pessoais e sensíveis dos usuários que são coletados e processados pelos sistemas de inteligência artificial.
Quais os tipos de Privacidadade que uma entidade de IA pode adotar?
- Criptografia
- Controles de acesso rigorosos
- Adoção de práticas de segurança cibernética robustas.
CERTO OU ERRADO
A implementação de recursos de IA pode conter a escolha de privacidade por parte dos usuários, que podem escolher quais dados desejam compartilhar com a IA e em que condições.
CERTO!
CERTO OU ERRADO
As organizações pode ocultar aos usuários como seus dados serão usados e como a IA tomará decisões com base nesses dados.
ERRADO! Quebra o princípio da Privacidade e Segurança. A IA deve ser CLARA quanto ao uso dos dados e como esses dados serão usados.
A segurança da informação e a privacidade devem ser levadas em conta em que fases do ciclo de vida das soluções de IA?
TODAS AS FASES!!
A Responsabilização também pode ser chamada de:
Accountability, Auditabilidade, Prestação de Contas…
O que é a Renponsabilização em IA Responsável?
A capacidade de responsabilizar algoritmos e sistemas de inteligência artificial por suas decisões e ações. Inclui também a responsabilidade pelos impactos sociais e ambientais dos sistemas de IA, bem como a implementação de medidas para minimizar esses impactos negativos.
O que diz a Inclusividade/Diversidade na IA Responsável?
Que a IA deve ser implementada de forma a não distinguir as pessoas de acordo com suas características, sexo, idade, gênero e etc.
Como a Inclusividade/Diversidade pode ser importante no na acessibilidade?
Com o fornecimento de opções para interfaces de usuário alternativas (Ex: texto em áudio ou legendas em vídeo) e treinando algoritmos para reconhecer e lidar com diferentes formas de fala e comunicação.
CERTO OU ERRADO
A Inclusividade promove a equidade e a justiça social na aplicação de tecnologias de IA e ajuda a criar soluções mais efetivas e amplamente aceitas pela sociedade.
CERTO!
Ao que refere-se a Justica/Equidade em uma IA Responsável?
Garantia de que os sistemas de IA não discriminem indivíduos ou grupos com base em suas características protegidas ou outros fatores, evitando preconceitos.
Qual a diferença entre Justica/Equidade e Inclusividade/Diversidade?
A Inclusividade é o meio para se chegar à Justiça. A Justiça é a efetivação da inclusividade, promovendo tratamento igual para todos.
Em suma: a inclusão é a entrada ou causa e a justiça é a saída ou consequência.
A Confiabilidade e Uso Seguro em IA Responsável nos diz que as aplicações de IA devem ser:
robustas e confiáveis.
Qual a diferenciação entre Confiabilidade e Uso Seguro?
A confiabilidade refere-se à capacidade de um sistema de IA para desempenhar consistentemente e com precisão a tarefa para a qual foi projetado, em diferentes condições e ao longo do tempo.
O uso seguro, por outro lado, refere-se à capacidade de um sistema de IA para evitar danos ou lesões aos usuários, partes interessadas ou ao ambiente.
Quais os tipos de aprendizado de máquina?
- Supervisionado
- Não supervisionado
- Semi-supervisionado
- Por reforço
Explique o aprendizado de máquina supervisionado.
Se baseia em expectativa de saídas de dados a partir de dados de entrada inseridos manualmente por um especialista ou supervisor. O supervisor/especialista conhece os rótulos ou valores (dados de saída) para cada exemplo, então insere dados de entrada para que a saída seja a mais satisfatória possível. O supervisor/especialista vai corrigindo os erros a partir das respostas que os dados de entrada dão.
CERTO OU ERRADO
Nos dados supervisionados, a saída desejada para cada exemplo de entrada já é conhecida, isto é, os dados de saída são previamente rotulados.
CERTO! São previamente rotulados pelo supervisor ou especialista que já conhece os dados de saída.
Como é chamado o trabalho em que o supervisor/especialista rotula previamente os dados de saída?
Tarefa de previsão.
Qual o tipo de abordagem mais comum do aprendizado de máquina?
O aprendizado supervisionado.
CERTO OU ERRADO
Os problemas de aprendizado supervisionado geralmente tratam de uma variável quantitativa ou qualitativa.
CERTO!
Qual o nome da tarefa em que os rótulos se referem a um conjunto infinito de valores numéricos contínuos?
Tarefa de regressão.
ex: dados de entrada = menor ou maior que 100
Qual o nome da tarefa em que os rótulos se referem a um conjunto finito e não ordenado de valores categóricos?
Tarefa de classificação.
ex: dados de entrada = bonito ou feio, branco ou preto…
Quais os modelos supervisionados mais conhecidos?
- Árvores de decisão
- regressão linear
- regressão logística
- redes neurais
- K-Nearest Neighbors (KNN),
- Support Vector Machines (SVM)
Explique sobre o aprendizado de máquina não supervisionado.
O algoritmo busca um padrão de nos dados sem a utilização de um supervisor ou especialista para atribuir um valor de saída previamente. O intuito é pegar dados desconhecidos e encontrar estruturas desconhecidos para o cientista de dados. Os algoritmos encontram o padrão de forma autônoma.
CERTO OU ERRADO
No aprendizado não supervisionado, se utiliza rótulos/categorias para as amostras de treinamento.
ERRADO! Isso é no aprendizado supervisionado. No aprendizado não supervisionado, não se utiliza rótulos/categorias (dados de saída) para as amostras de treinamentos.
Qual o nome da tarefa em que o algoritmo identifica as semelhanças nos dados apresentados e reage com base na presença ou ausência dessas tais semelhanças?
Tarefa de descrição.
CERTO OU ERRADO
A ideia do aprendizado não supervisionado é prever os dados de saída.
ERRADO! A ideia do aprendizado não supervisionado é ORGANIZAR os dados ou DESCREVE-LOS.
Existe realmente uma chance de o algoritmo do aprendizado não supervisionado gerar categorias completamente diferentes do que você esperava. Existem dois grandes sub-grupos de aprendizado não-supervisionado.
Quais são?
- Agrupamento (Clustering)
- Regras de Associação (Association Rules)
O que faz o sub-grupo agrupamento (clustering)?
Estabelece regras capazes de verificar como determinados elementos em um conjunto estão intimamente associados.
Ex: Em um supermercado, sempre que uma pessoa compra pão, ela também compra leite. Então o agrupamento cria essa associação.
Quais os principais modelos do agrupamento (clustering)?
- Apriori
- FP-Growth
- Eclat.
O que faz o sub-grupo “associação de regras”?
Ele busca padrões em um conjunto de dados e os transforma em conjuntos, comparam os dados de um mesmo grupo e verificam se são homogêneos ou semelhantes.
Quais os principais modelos de associação de regras?
- k-Means
- Agrupamento Hierárquico.
Explique sobre o aprendizado semi supervisionado.
Ele está entre o supervisionado e o não supervisionado. Utiliza-se tanto dados rotulados quanto dados não rotulados, sendo pouca quantidade de dados rotulados e uma grande quantidade de dados não rotulados. Pode ser aplicado com a duas tarefas do supervisionado (regressão e classificação) e as duas tarefas do não supervisionado (agrupamento e associação de regras).
Explique sobre o aprendizado por reforço.
Consiste num conjunto de técnicas que utilizam tentativas e erros para definir interações ótimas de como interagir o ambiente ou agente. A meta é punir a ação considerada negativa e beneficiar a ação considerada positiva.
No que consiste o tarefa/técnica de classificação?
É uma tarefa do aprendizado supervisionado que permite classificar dados em grupos (dados de entrada) para facilitar a análise, utilizado para prever comportamento futuro ou para descobrir padrões (dados de saídas pré definidos).
O que são features para a tarefa de classificação?
São dados ou características utilizadas pelo supervisor ou especialista que caracterizam de forma útil aquilo que desejamos classificar.
Ex: envergadura e massa, peso e altura…
O que é a matriz de confusão (ou matriz de erro)?
É uma tabela utilizada para avaliar a qualidade de um modelo que mostra as frequências de classificação para cada classificador/rótulo do modelo.
Há cinco tipos de métricas para calcular a precisão da coleta de dados para o aprendizado de máquina. Quais são?
- Acurácia
- Sensibilidade
- Especificidade
- Precisão
- F1-Score
Explique sobre a métrica de acurácia.
É a mais simples das métricas, que visa verificar a quantidade de acertos dentro do total de previsões.
Fórmula: (VP + VN) ÷ (VP + FP + VN + FN)
*Leia-se: valor positivo + valor negativo ÷ valor positivo + falso positivo + valor negativo + falso negativo
Explique sobre a métrica de sensibilidade.
Avalia a capacidade do classificador de detectar com sucesso resultados positivo. Pode ser chamado de revocação ou recall.
Fórmula: VP ÷ (VP + FN)
leia-se: valor positivo ÷ valor positivo + falso negativo
Explique sobre a métrica de especificidade.
Avalia a capacidade do classificador de detectar com sucesso resultados negativos.
Fórmula: VN ÷ (VN + FP)
leia-se: valor negativo ÷ valor negativo + falso positivo
Explique sobre a métrica de precisão.
Mensurar a proporção de previsões positivas corretas sobre a soma de todos os valores positivos.
Fórmula: VP ÷ (VP + FP)
leia-se: valor positivo ÷ valor positivo + falso positivo
Explique sobre a métrica de F1-Score.
Média harmônica calculada com base na precisão e na sensibilidade, ou seja, é uma medida derivada dessas outras medidas. Tenta condensar em uma única medida um pouco da precisão e um pouco da sensibilidade.
Fórmula: (Precisão x Recall) ÷ (Precisão + Recall) x 2
Qual a métrica que responde a pergunta abaixo?
“Dentre os valores realmente negativos, quantos o modelo acertou (previu corretamente como negativo)?”
Especificidade.
Qual a métrica que responde a pergunta abaixo?
“Dentre os valores previstos como positivos, quantos o modelo acertou (previu corretamente como positivo)?”
Precisão.
Qual a métrica que responde a pergunta abaixo?
“Dentre todas as previsões realizadas, quantas o modelo acertou?”
Acurácia.
Qual a métrica que responde a pergunta abaixo?
“Dentre os valores realmente positivos, quantos o modelo acertou (previu corretamente como positivo)?”
Sensibilidade (recall).
Em que situação é recomendado o uso da métrica de precisão?
Situações em que falsos-positivos são mais prejudiciais que os falsos-negativos.
Em que situação é recomendado o uso da métrica de recall (sensibilidade)?
Situações em que falsos-negativos são mais prejudiciais que os falsos-positivos.
Do que se trata a técnica de agrupamento?
Uma técnica para identificar grupo de dados multivalorados para descobrir padrões e a relação entre os dados e os transformar em subconjuntos, de modo que todos os elementos do subconjunto possuam características em comum.
Como também pode ser chamado a técnica de agrupamento?
Clustering.
Qual a diferença entre classificação e clustering (agrupamento)?
A classificação é um algoritmo supervisionado, ou seja, precisa de algum supervisor/especialista para realizar esse agrupamento, ou seja, cada objeto da base possui a classe correspondente à qual pertence previamente definida.
O clustering é um algoritmo não supervisionado, não necessitando de interferência externa.
Do que se trata a técnica “Regras de Associação”?
São algoritmos não supervisionados, utilizados para descobrir relação entre variáveis de um conjunto de dados, descrevendo padrões que ocorrem com frequência para prever ocorrência futuras.
Ex: carrinho de supermercado da imagem
Como funciona o formato da Regra de Associação?
É um formato X → Y (antecedente para o consequente). Basicamente, o algoritmo associa que ocorrendo X, é provável que ocorra Y.
Ex: o algoritmo verifica que o cliente comprou cerveja, gelo e carne (X) e pode ser que ele associe e sugira carvão, sal grosso (Y)…
Quais os dois conceitos centrais (ou medidas de interesse) em mineração de regras de associação?
- Suporte/prevalência
- confiança/força
O que a medida de interesse de suporte/prevalência busca na mineração de regras de associação?
A frequência com que um conjunto de itens específicos ocorrem no banco de dados, isto é, o percentual de transações que contém todos os itens do conjunto.
Ex: a quantidade de vezes em que os itens são comprados separadamente e se calcula a proporção. Em 10 compras, tiveram 4 cervejas, 6 gelos e 2 carvões não necessariamente juntos.
O que a medida de interesse de confiança/força busca na mineração de regras de associação?
A probabilidade de que exista uma relação entre itens, a quantidade de vezes que eles aparecem simultaneamente.
Ex: a quantidade de vezes que cerveja, gelo e carne são comprados juntos!
O que são Modelos de Regressão?
São modelos estatísticos utilizado para verificar a relação entre uma variável dependente para um conjunto de dados ou variáveis independentes.
Para que normalmente é usado o Modelo de Regressão?
Para fazer previsões sobre valores futuros da variável dependente. É um tipo de modelo preditivo.
O que é o modelo preditivo?
É o modelo responsável por relacionar dados de entrada (também chamados de variáveis independentes) com o resultado esperado (variáveis dependentes ou variável alvo contínua).
Em suma: São uma função matemática que, quando aplicada a uma massa de dados, é capaz de identificar padrões e oferecer uma previsão do que pode ocorrer.
Quais são os dois modelos de regressão mais conhecidos?
Regressão linear e a regressão logística
CERTO OU ERRADO
Regressão é uma técnica para investigar a relação entre variáveis ou features independentes e uma variável ou resultado dependente.
CERTO!
Do que se trata a regressão linear?
Ferramenta estatística para quantificar a relação entre variável específica e um resultado esperado, controlando o efeito de uma variável enquanto as outras se mantém constantes.
Qual a metodologia utilizada pela Regressão Linear e o que faz essa metodologia?
Mínimos Quadrados Ordinários (MQO) e ela traça uma reta a partir da estatística e faz o valor do residual ao quadrado. Residual é a diferença entre a reta e o ponto fora dela, conforme imagem.
CERTO OU ERRADO
Os mínimos quadrados ordinários nos dão a melhor descrição de uma relação linear entre duas variáveis.
CERTO!
CERTO OU ERRADO
O resultado do mínimo quadrado ordinário é uma reta.
ERRADO! É uma equação que é descrita pela reta.
RESUMO DE REGRESSÃO LINEAR
y = a + bx
onde y é o peso em quilos; a é o intercepto, isto é, ponto em que a reta intercepta o eixo y (valor de y quando x = 0); b é a inclinação da reta; e x é a altura em centímetros.
Do que se trata a regressão logística?
É um algoritmo supervisionado que, a partir de um conjunto de dados, permite prever os valores de uma variável categórica a partir de uma série de variáveis explicativa contínuas ou binárias, mas geralmente binárias.
CERTO OU ERRADO
Uma das limitações da regressão logística é de trabalhar apenas com dados categóricos.
ERRADO! A regressão logística trabalha apenas com dados quantitativos para prever dados categóricos (qualitativos).
Para qual finalidade é a regressão logística?
Para classificação de dados.
CERTO OU ERRADO
A utilização da regressão logística se dá com categorias de dois valores.
CERTO! A regressão logística é com dois valores (binárias). Ou seja, só pode haver dois valores como: baixo ou alto, masculino ou feminino, preto ou branco…
O que é a Função Sigmoide?
É uma função de ativação, utilizada na regressão logística,
que recebe como entrada um número real [-∞, +∞] retornado por uma função de regressão linear e sempre retorna um número entre [0,1].
O que são redes neurais feed-foward?
Tipo mais comum de redes neurais, são redes neurais artificiais que “caminham” em apenas uma direção, da entrada para a saída.
Como é organizado a rede neural feed-foward?
Os neurônios são organizados em camadas e o sinal se propaga de uma camada para outra. Cada neurônio recebe uma entrada da camada anterior e essa camada faz soma ponderada das entradas (chamada carga elétrica total) e passa o resultado para a próxima camada.
como o próprio nome diz, alimentar a frente
Para quais tarefas de aprendizado é utilizado a rede neural feed-foward?
Para as tarefas de aprendizado supervisionado.
PARA FIXAR
Neurônio Artificial
Temos um conjunto de n entradas (e₁, e₂, e₃ ,…, eₙ) que são multiplicadas por pesos específicos associados a cada entrada (p₁, p₂, p₃,…, pₙ). Cada um desses pesos é livremente ajustável de forma independente dos demais. Em seguida, nós realizamos a soma de cada entrada multiplicada por seu respectivo peso associado. E o próximo passo é somar tudo isso com uma entrada especial denominada viés ou bias (b).
O peso de uma entrada na rede neural representa o que?
A sua força ou influência no resultado.
O que é um viés (bias) em uma rede neural?
É um valor que pode ser ajustado para aumentar ou diminuir a força do sinal ao adicionar um valor positivo/negativo com o intuito de regular o formato/curvatura da função e ajustá-la ao propósito desejado.
Qual o objetivo de uma função de ativação em uma rede neural?
Transformar o formato de reta (de uma função linear) em um formato não linear, tornando a função mais flexível/adaptável para tarefas complexas.
O que é uma função de limite?
É uma função que compara um valor com um determinado limite e decide se um neurônio será ativado (1) ou não será ativado (0).
ou seja, se estabelece um limite e se o neurônio bater certo limite, retornará com uma resposta, podendo ser 1 ou 2, nesse caso
Como funciona uma função logística?
Ela recebe um valor real qualquer como entrada [-∞,+∞] e retorna um valor de saída entre 0 e 1.
a imagem é a representação dessa função
Como funciona uma função tangente hiperbólica?
Recebe um valor real qualquer como entrada [-∞,+∞] e retorna um valor de saída entre -1 e 1.
representado pela função da imagem
PARA FIXAR
O Single Layer Percepton (SLP), apesar de possuir duas camadas, apenas os perceptrons da camada de saída realizam processamentos – os nós da camada de entrada apenas transferem os valores diretamente para a camada de saída.
O Single Layer Percepton (SLP) é adequado para resolver quais tipos de problemas?
Problemas de classificação, porém apenas aqueles em que as classes são linearmente separáveis, como na imagem. Veja que apenas H3 consegue separar linearmente.
PARA FIXAR
Exemplo de Multilayer perceptons
O que podemos concluir da imagem?
Se trata de uma exemplo de Multilayer Percepton no qual está sendo utilizado um deep learning (aprendizado profundo). Nesse caso, se coloca um algoritmo para facilitar o aprendizado da rede neural, tipo um ajuste.
A função do gradiente pode ser de dois tipos. Quais?
- Convexa: a linha traçada entre quaisquer dois pontos está sempre acima da curva;
- Não convexa: temos mais de um ponto mínimo.
EXEMPLO DA APLICAÇÃO DE UM MÉTODO K-FOLD
EXEMPLO DA CURVA ROC
As bolinhas azuis acima da curva representam os verdadeiros-positivos (Ex: o médico previu que o paciente estava infectado com o coronavírus e ele realmente estava).
As bolinhas azuis abaixo da curva representam os falsos-positivo (Ex: o médico previu que o paciente estava infectado, mas ele não estava). Já os quadradinhos vermelhos acima da curva representam os falsos-negativos (Ex: o médico previu que o paciente não estava infectado, mas ele estava). Por fim, os quadradinhos vermelhos abaixo da curva representam os verdadeiros-negativos (Ex: o médico previu que o paciente não estava infectado e ele realmente não estava).
Quando ocorre um overfitting?
Quando um modelo de aprendizado de máquinas captura muita variação dos dados, resultando em um modelo que não generaliza bem e é muito sensível a pequenas variações dos dados.
Ex na imagem.
O que podemos deduzir de um modelo de aprendizado de máquina com baixo viés e baixa variância?
Que o modelo possui ótima precisão (overfitting) dos dados de treinamento e varia pouco quando aplicado a novos testes.
O que podemos deduzir de um modelo de aprendizado de máquina com baixo viés e alta variância?
Que o modelo possui ótima precisão (overfitting) dos dados de treinamento mas varia muito quando aplicado a novos testes.
O que podemos deduzir de um modelo de aprendizado de máquina com alto viés e baixa variância?
Que o modelo possui péssima precisão dos dados (underfitting) de treinamento mas varia pouco quando aplicado a novos testes.
O que podemos deduzir de um modelo de aprendizado de máquina com alto viés e alta variância?
Que o modelo possui péssima precisão dos dados (underfitting) de treinamento e varia muito quando aplicado a novos testes.
PARA FIXAR
Early dropping
Em determinado momento, a acurácia dos dados de treinamento permanece aumentando até estabilizar enquanto a acurácia dos dados de teste começa a cair vertiginosamente. O que isso nos indica? Isso indica que houve um sobreajuste (overfitting), isto é, o modelo tem um excelente desempenho (alta acurácia) com dados de treinamento, mas um péssimo desempenho (baixa acurácia) com dados de teste. É importante interromper o treinamento antes de a rede neural começar a se ajustar excessivamente aos dados de treinamento.
Do que se trata a técnica de separabilidade dos dados?
É a capacidade de separar linearmente os dados em grupos distintos e separa-los.
