Modelos de Machine Learning com Linguagem Python

Neste repositório estam presentes Modelos Supervisionados de Classificação e Regressão utilizando técnicas de Machine Learning como:

• Classificação:
  • Naive Bayes
  • Árvore de Decisão
  • KNN
  • SVM
  • Redes Neurais
  • Regressão linear, multipla, polinomial
  • Árvore de Decisão regressora
  • SVR
• Regressão
  • Regressão Linear
  • Regressão Multipla

Utiliza-se conceitos de estatisticas descritiva para avaliar os algortimos e também se faz uso de técnias de tunning para obter os melhores parãmetros paara os modelos.

• Girdsearch

• Cross validation

• Variância

• Desvio padrão

• Teste de hipótese

  • Hipótese nula(H0)
  • Hipótese alternativa(h1)
    • Alpha -> 0.01 ou 0.05, probabilidade de rejeitar a hipótese nula.
    • p-value >= alpha: não rejeita H0
    • p-value < alpha: rejeita H0

• Teste de hipótese Z (distribuição normal)

  • Calcula o valor de Z , busca a tabela padrão
  • valor de p = 1 - Z
  • Se o valor da média é maior que a média atual, esta do lado direito da distribuição normal, logo tem q ser subtraido de 1.
  • Caso contrário, não precisa fazer a subtração.

• Teste de normalidade

  • hipotese nulo significa que os dados estao na distribuição normal, ou seja , p >= 0.05
  • teste de Shapiro nos resultados dos modelos
  • utilizar a biblioteca seaborn para ver as distribuições graficamente função displot()

• Teste Anova

  • Comparação entre 3 ou mais grupos ( amostras independentes)
  • Distribuição normal
  • Variação entre grupos comparando a variação dentro dos grupos
  • H0 : não há diferença estatística
  • H1: existe diferença estatística
  • objetivo é provar que existe diferença estatística
  • Tabela F = (SSG/DFG)/(SSE/DFE)
  • F crítico na tabela
    • entre 0 e F critico : não existe diferença estatistica
    • Superior a F crítico : existe diferença estatística