Portfólio Laisla Francisco

O KNN (K-Nearest Neighbors, ou K-vizinhos mais próximos) é um algoritmo de aprendizado supervisionado utilizado para classificação e regressão, ele se baseia na ideia de que instâncias semelhantes tendem a ter rótulos semelhantes. Para classificação, dado um ponto de consulta, o KNN encontra os k pontos de treinamento mais próximos a esse ponto (com base em alguma métrica de distância, como a euclidiana) e determina a classe mais comum entre eles. Já no caso da regressão, o KNN calcula a média dos valores alvo dos k vizinhos mais próximos para prever o valor para o ponto de consulta. As vantagens desse método são a simplicidade de implementação, não requer treinamento explícito, e é eficiente para conjuntos de dados pequenos, mas em contrapartida, é sensível a outliers e pode ser computacionalmente custoso para conjuntos de dados grandes. Podemos usá-los para identificar se um e-mail é spam ou não com base em características como palavras-chave ou prever o preço de uma casa com base na...

O SVM (Support Vector Machine) é um algoritmo de aprendizado supervisionado que busca encontrar um hiperplano de separação ótimo entre classes, seu objetivo é maximizar a margem, que é a distância entre o hiperplano e os pontos mais próximos de cada classe (vetores de suporte). Ele pode ser utilizado tanto para problemas de classificação quanto para problemas de regressão, reconhecimento de objetos, detecção de rosto, classificação de proteínas, identificação de genes, análise de crédito, previsão de mercado... Por quê escolher o SVM? Bom desempenho em conjuntos de dados com muitas características (alta dimensionalidade), pode ser adaptado para diferentes funções de kernel para lidar com dados não lineares, devido à maximização da margem, é menos suscetível a overfitting em comparação com alguns outros algoritmos. As desvantagens são que a performance do SVM pode depender da escolha adequada dos parâmetros, como o custo (C) e o tipo de kernel, ele pode ser sensível à escala dos dados, ...

A regressão logística é um algoritmo de aprendizado de máquina utilizado para resolver problemas de classificação binária, ou seja, situações em que o resultado desejado pode ser categorizado em duas classes distintas, seu objetivo principal é prever a probabilidade de um evento ocorrer pertencendo a uma das duas classes. Ela também conhecida como função sigmoide, e transforma uma combinação linear das características do modelo em uma probabilidade entre 0 e 1. A função sigmoide é expressa pela fórmula: � ( � = 1 ) = 1 1 + � − ( � 0 + � 1 ⋅ � 1 + � 2 ⋅ � 2 + … + � � ⋅ � � ) P ( Y = 1 ) = 1 + e   − ( b 0 ​ + b 1 ​ ⋅ X 1 ​ + b 2 ​ ⋅ X 2 ​ + … + b n ​ ⋅ X n ​ ) 1 ​ Onde: � ( � = 1 ) P ( Y = 1 ) é a probabilidade de pertencer à classe positiva (1), � 0 b 0 ​ é o termo de interceptação, � 1 , � 2 , … , � � b 1 ​ , b 2 ​ , … , b n ​ são os coeficientes associados às características � 1 , � 2 , … , � � X 1 ​ , X 2 ​ , … , X n ​ , e � e é a base do logaritmo natural. O modelo ...