Árvores de Decisão: Aprofundando em modelos de Machine Learning

Conteúdo Detalhado

1. Entendendo as Árvores de Decisão

   • Apresentação
   • Classificando transações com uma árvore
   • Primeiros passos para construir uma árvore
   • Criando nós a partir de atributos categóricos
   • Criando nós a partir de atributos numéricos
   • Selecionando os melhores nós
   • E se o problema for de regressão?

2. Criando uma Árvore de Decisão

   • Obtendo a base de dados
   • Analisando a base de dados
   • Criando uma árvore de decisão com o scikit-learn
   • Gerando uma imagem da árvore
   • Visualizando os nós e atributos

3. Avaliando a Árvore de Decisão

   • Medindo a acurácia da árvore
   • Medindo além da acurácia
   • Analisando as características da árvore

4. Aprendendo Ensemble Learning com Bagging

   • Aprendendo o que são os modelos ensemble
   • Entendendo a técnica Bagging e o Random Forest
   • Executando o Random Forest com o scikit-learn

5. Aprendendo Ensemble Learning com Boosting

   • Entendendo a técnica boosting e o AdaBoost
   • AdaBoost: Calculando a influência da árvore
   • AdaBoost: Calculando o peso das instâncias
   • AdaBoost: Reagrupando a base de dados
   • Executando o AdaBoost com o scikit-learn
   • Conclusão